VeRi

VeRi数据集是一个用于城市交通监控中车辆再识别的大型基准数据集。它包含超过50,000张776辆车辆的图像，这些图像由20个摄像头在24小时内覆盖1.0平方公里的区域拍摄。数据集的图像在真实的非受限监控场景中捕获，并标记有多种属性，如边界框、类型、颜色和品牌。每个车辆由2到18个不同视角、光照、分辨率和遮挡的摄像头捕获，提供了高重复率，适用于实际监控环境中的车辆再识别。数据集还标记有充足的牌照和时空信息，如牌照边界框、牌照字符串、车辆时间戳以及相邻摄像头之间的距离。The VeRi dataset is a large-scale benchmark dataset designed for vehicle re-identification in urban traffic surveillance. It comprises over 50,000 images of 776 vehicles, captured by 20 cameras over a 24-hour period covering an area of 1.0 square kilometers. The images in the dataset are captured in real-world, unconstrained surveillance scenarios and are annotated with various attributes such as bounding boxes, type, color, and brand. Each vehicle is captured by 2 to 18 cameras with different perspectives, lighting conditions, resolutions, and occlusions, providing a high repetition rate suitable for vehicle re-identification in practical surveillance environments. The dataset is also annotated with ample license plate and spatio-temporal information, including license plate bounding boxes, license plate strings, vehicle timestamps, and the distances between adjacent cameras.

原始信息汇总

VeRi数据集概述

数据集特性

• 规模与覆盖范围：VeRi数据集包含超过50,000张图像，涉及776辆车辆，由20个摄像头在24小时内覆盖1.0平方公里的区域。
• 图像属性：图像在真实世界的不受限制的监控场景中捕获，并标有多种属性，包括边界框（BBoxes）、类型、颜色和品牌。
• 多视角与复杂性：每辆车由2至18个不同视角、光照条件、分辨率和遮挡程度的摄像头捕获，提供了高重复率。
• 详细标注：数据集还包含丰富的车牌和时空信息，如车牌边界框、车牌字符串、车辆时间戳以及相邻摄像头之间的距离。

数据集下载

• 获取方式：通过发送电子邮件至联系人（xinchenliu at bupt dot edu dot cn），提供全名和所属机构，以确保数据集用于非商业目的。

引用信息

• 相关论文：使用该数据集时，应引用以下论文：
  • Liu, Xinchen, et al. "Large-scale vehicle re-identification in urban surveillance videos." ICME 2016.
  • Liu, Xinchen, et al. "A Deep Learning-Based Approach to Progressive Vehicle Re-identification for Urban Surveillance." ECCV 2016.
  • Liu, Xinchen, et al. "PROVID: Progressive and Multimodal Vehicle Reidentification for Large-Scale Urban Surveillance." IEEE Trans. Multimedia 20(3): 645-658 (2018).

性能指标

• mAP、Rank-1、Rank-5：数据集上不同年份的性能指标，展示了多种方法的准确性。

示例代码

• 评估方法：提供了一个示例代码，用于车辆搜索评估，包括计算距离矩阵、读取真实标签和计算平均精度（AP）等步骤。

搜集汇总

数据集介绍

构建方式

VeRi数据集的构建旨在服务于车辆重识别研究，该数据集通过在现实世界的城市监控场景中，利用20台摄像头在24小时内捕获776辆车的超过50,000张图像。这些图像覆盖了1.0平方公里区域，确保了数据集在车辆重识别及相关研究中具备足够的规模性和代表性。

特点

VeRi数据集的特点体现在其图像来源的真实性、标注的全面性以及场景的复杂性。图像是在无约束的城市监控场景中捕获的，并标注了边界框、车型、颜色、品牌等多种属性，为复杂数字模型的训练和评估提供了条件。此外，每辆车在不同视角、光照、分辨率和遮挡条件下被不同数量的摄像头捕捉，为实际监控环境中的车辆重识别提供了高重现率。

使用方法

数据集的使用需通过邮件向负责人索取，并确保仅用于非商业研究目的。在使用数据集时，应遵循数据使用规范，并正确引用相关论文，以尊重数据集构建者的知识产权和研究贡献。

背景与挑战

背景概述

VeRi数据集是在现实世界城市监控场景中，为车辆重识别（Re-Id）研究构建的大规模基准数据集。该数据集由刘信晨等研究人员于2016年创建，包含776辆车的超过50,000张图片，这些图片由20台摄像头在1.0平方公里区域内24小时内捕获。VeRi数据集的构建旨在为车辆重识别及其他相关研究提供可扩展的数据资源，其丰富的标注信息，如边界框、车型、颜色和品牌等属性，使得复杂模型的学习和评估成为可能。该数据集对相关领域产生了显著影响，如在ICME 2016上发表的论文获得了最佳学生论文奖，引用次数达75次。

当前挑战

VeRi数据集在研究领域中解决了车辆重识别的问题，其挑战在于不同视角、光照、分辨率和遮挡条件下，如何准确识别同一辆车。构建该数据集的挑战包括：1) 在现实世界无约束监控场景中捕获并标注大量车辆图像；2) 确保数据集的标注质量，包括车辆牌照的边界框、牌照字符串、车辆时间戳以及相邻摄像头之间的距离信息；3) 处理由于视角变化、光照变化和遮挡等因素引起的识别难题。

常用场景

经典使用场景

在车辆重识别的研究领域中，VeRi数据集以其大规模、多样化的图像数据，为研究者提供了一个经典的使用场景。该数据集包含由20个摄像头在24小时内捕获的776辆车的超过50,000张图像，覆盖了1.0平方公里区域，从而能够模拟真实世界监控场景中车辆重识别的问题，为算法的训练和评估提供了丰富的数据基础。

衍生相关工作

基于VeRi数据集，研究者们开展了一系列相关工作，如提出深度学习方法的渐进式车辆重识别、基于视觉时空路径提议的车辆重识别网络等。这些研究不仅提升了车辆重识别技术的性能，也为智能监控、智能交通等领域的发展做出了贡献。

数据集最近研究

最新研究方向

在车辆重识别领域，VeRi数据集以其大规模、多样化的图像属性及丰富的标注信息，成为研究的热点。近期研究方向主要聚焦于深度学习模型的优化，如通过多模态学习、注意力机制、对抗性训练等方法提升模型在复杂场景下的识别准确度和鲁棒性。此外，时空信息的有效利用和跨摄像头跟踪问题也受到关注，相关研究不断推动着车辆重识别技术在城市监控场景中的应用。VeRi数据集在车辆属性学习、模型评估及算法基准测试方面的贡献，对推动该领域的发展具有重要意义。