VIPeR, ETH1,2,3, QMUL iLIDS, GRID, CAVIAR4ReID, 3DPeS, PRID2011, V47, WARD, SAIVT-Softbio, CUHK01, CUHK02, CUHK03

这是一个收集公开可用的人员再识别数据集的仓库，包含多个数据集，每个数据集都有详细的描述，如发布时间、身份数量、摄像头数量、图像数量等。

This repository aggregates publicly available datasets for person re-identification, encompassing multiple datasets. Each dataset is accompanied by detailed descriptions, including release dates, the number of identities, the number of cameras, and the number of images, among other details.

原始信息汇总

数据集概述

数据集列表

数据集	发布时间	身份数量	摄像头数量	图像数量	标签方法	裁剪尺寸	多镜头	跟踪序列	全帧可用性
VIPeR	2007	632	2	1264	手工	128X48
ETH1,2,3	2007	85, 35, 28	1	8580	手工	变化	✔	✔	✔
QMUL iLIDS	2009	119	2	476	手工	变化	✔
GRID	2009	1025	8	1275	手工	变化
CAVIAR4ReID	2011	72	2	1220	手工	变化	✔
3DPeS	2011	192	8	1011	手工	变化	✔		✔*
PRID2011	2011	934	2	24541	手工	128X64	✔	✔	✔*
V47	2011	47	2	752	手工	变化	✔		✔
WARD	2012	70	3	4786	手工	128X48	✔	✔
SAIVT-Softbio	2012	152	8	64472	手工	变化	✔	✔	✔
CUHK01	2012	971	2	3884	手工	160X60	✔
CUHK02	2013	1816	10(5 pairs)	7264	手工	160X60	✔
CUHK03	2014	1467	10(5 pairs)	13164	手工/DPM	变化	✔
RAiD	2014	43	4	6920	手工	128X64	✔
iLIDS-VID	2014	300	2	42495	手工	变化	✔	✔
MPR Drone	2014	84	1		金字塔特征(ACF)	变化	✔		✔
HDA Person Dataset	2014	53	13	2976	手工/金字塔特征(ACF)	变化	✔	✔	✔
Shinpuhkan Dataset	2014	24	16		手工	128X48	✔	✔
CASIA Gait Database B	2015	124	11		背景减法	变化	✔	✔	✔
Market1501	2015	1501	6	32217	手工/DPM	128X64	✔
PKU-Reid	2016	114	2	1824	手工	128X64
PRW	2016	932	6	34304	手工	变化	✔		✔
Large scale person search	2016	11934s	-	34574	手工	变化			✔
MARS	2016	1261	6	1191003	DPM+GMMCP	256X128	✔	✔
DukeMTMC-reID/DukeMTMC4ReID	2017	1812/1852	8	36441/46261	手工/Doppia	变化	✔		✔
Airport	2017	9651	6	39902	ACF	128X64	✔
MSMT17	2018	4101	15	126441	Faster RCNN	变化	✔
RPIfield	2018	112	12	601,581	ACF	变化	✔	✔
LPW	2018	2,731	3,4,4	592,438	Detector+NN+Hand	-	✔	✔
PKU SketchRe-ID	2018	200	2	400	手工	-
ThermalWorld	2018	516	20	15,118	手工	-

数据集更新

• 新增数据集：LPW, PKU Sketch-ReID, ThermalWorld, RPIfield, MSMT17, Airport
• 迁移至Github
• 发布基准论文代码：GitHub
• 论文被T-PAMI接受：Arxiv

以上信息为数据集详情页面的README文件内容提炼，确保了信息的准确性和相关性。

搜集汇总

数据集介绍

构建方式

VIPeR数据集包含两个相机，每个相机捕获一个人的图像。该数据集提供了每个图像的视角角度信息。ETH1,2,3数据集则从移动相机中收集图像，虽然视角变化较小，但光照变化、尺度变化和遮挡较为显著。QMUL iLIDS数据集基于机场繁忙时段的多相机CCTV系统收集，每个身份有来自两个非重叠相机的四张图像。GRID数据集由八个不相交的相机在一个繁忙的地下车站收集而成，每个身份有两个来自不同视角的图像。CAVIAR4ReID数据集从两个具有重叠视场的监控相机中提取，图像分辨率变化较大。3DPeS数据集由八个非重叠的室外相机收集，提供了环境和相机的3D模型以及校准数据。PRID2011数据集包含来自两个相机的轨迹，但只有部分人在两个相机中都出现。V47数据集使用两个室内相机收集，每个人从两个不同方向行走，被多个视角捕获。WARD数据集由三个非重叠相机收集，每个身份在每个相机中都有多张图像。SAIVT-Softbio数据集由八个现有的监控相机收集，提供了带标签的完整视频帧。CUHK01, CUHK02, CUHK03数据集分别提供了不同数量的相机视角和图像质量。RAiD数据集保证每个身份在四个非重叠相机中都有图像，光照变化较大。iLIDS-VID数据集从iLIDS MCTS数据集中提取轨迹，具有严重的遮挡。MPR Drone数据集由飞行无人机在室内外环境中收集，提供了不同类型的评估实验。HDA Person数据集旨在模拟真实的人重识别系统，提供了详细的标注和评估工具。Shinpuhkan数据集最初用于测试多相机跟踪方法，图像质量较好。CASIA Gait Database B数据集最初用于测试步态识别算法，后用于人重识别。Market1501数据集包含大量身份，每个身份有来自六个不相交相机的多张图像。

特点

这些数据集的特点包括：视角变化、光照变化、尺度变化、遮挡情况、多相机设置、图像质量、标注质量、视频帧的提供等。每个数据集都在不同的场景和环境下收集，以测试和提升人重识别算法的性能。例如，VIPeR数据集因其视角变化而具有挑战性；ETH1,2,3数据集在光照和尺度上的变化提供了测试的多样性；QMUL iLIDS数据集的机场场景和重遮挡情况增加了实际应用的难度；GRID数据集的图像质量较差，但提供了丰富的图像；CAVIAR4ReID数据集的分辨率变化和3DPeS数据集的3D模型都是其独特之处；PRID2011数据集的轨迹同步问题和V47数据集的方向变化提供了额外的挑战；WARD和SAIVT-Softbio数据集的多相机设置和详细的标注增加了数据集的价值；CUHK系列数据集的相机视角和图像质量使其成为研究的热点；RAiD和iLIDS-VID数据集在光照变化和遮挡方面的特点使其具有实际应用价值；MPR Drone数据集的无人机收集方式和HDA Person数据集的详细评估工具都是其创新之处；Shinpuhkan和CASIA Gait Database B数据集则提供了步态信息；Market1501数据集的大规模和多样化的图像使其成为大型研究的首选。

使用方法

使用这些数据集时，研究者应首先了解数据集的构成和特点，选择合适的数据集来测试和训练人重识别算法。对于每个数据集，研究者需要根据其提供的文档和工具来处理图像和标注，例如下载和安装必要的软件包、读取图像和标注文件、调整参数以适应算法需求等。在训练过程中，研究者可能需要预处理数据，如调整图像大小、归一化、数据增强等。在测试和评估阶段，研究者应使用数据集提供的评估协议和工具来衡量算法的性能，如计算平均精度（mAP）等指标。此外，一些数据集提供了额外的功能，如视频帧、3D模型、校准数据等，这些都可以用于更深入的分析和算法开发。

背景与挑战

背景概述

person re-identification领域在过去几十年中受到了计算机视觉学界的广泛关注。VIPeR、ETH1,2,3、QMUL iLIDS等数据集自2007年起陆续发布，由多个研究团队或机构创建。这些数据集旨在解决行人重识别的核心研究问题，即在多摄像机网络中准确识别同一行人。它们对相关领域产生了深远的影响，推动了行人重识别技术的发展。

当前挑战

这些数据集在构建过程中面临的挑战包括：1) 领域问题挑战，例如在不同的摄像机视角、光照变化、尺度变化和遮挡情况下保持识别的准确性；2) 构建挑战，包括数据集的多样性、标注质量、以及数据集规模的不断扩大带来的挑战。

常用场景

经典使用场景

VIPeR数据集因其视角变化大、图像数量少而成为行人重识别领域最具挑战性的数据集之一。它通常被用于评估算法在视角不变性方面的性能，研究人员通过对该数据集的分析，能够探索不同视角下行人特征的一致性和判别性。

衍生相关工作

VIPeR数据集的发布促进了后续一系列相关工作的开展，如ETH1,2,3和PRID2011等数据集的构建，这些数据集进一步扩展了行人重识别的研究领域，推动了算法的发展和优化。

数据集最近研究

最新研究方向

在人格识别领域，数据集的最新研究方向主要集中在提升识别准确度、扩展数据集规模以及引入多样化场景和挑战。VIPeR、ETH1,2,3等经典数据集仍被广泛用于基准测试，而新数据集如Market1501、MSMT17等因其大规模和多样化特征受到关注。研究热点包括利用深度学习技术进行特征提取和匹配，以及通过跨视角、跨域和对抗性样本增强模型鲁棒性。此外，数据集的维护和更新，如链接修复和新增数据集，也体现了社区对高质量数据资源的持续需求。