AT-USTC

AT-USTC数据集是一个大规模的人体再识别数据集，包含403,599张由RGB和红外相机拍摄的个体照片，覆盖了白天、夜晚、室内、室外和跨季节等多种场景。数据收集历时21个月，共有270名志愿者参与，平均每人被拍摄29.1次，提供了更高的个体内多样性和更全面的AT-ReID案例。该数据集旨在解决现有数据集在时间变化、服装变化和模态变化等方面的不足，为任何时间的人体再识别研究提供了支持。

The AT-USTC dataset is a large-scale person re-identification (ReID) dataset. It contains 403,599 individual images captured by RGB and infrared cameras, covering various scenarios including daytime, nighttime, indoor, outdoor, and cross-season environments. The data collection process lasted 21 months, involving a total of 270 volunteers, with an average of 29.1 shots per participant, which provides higher intra-individual diversity and more comprehensive AT-ReID cases. This dataset aims to address the shortcomings of existing datasets in terms of temporal variations, clothing changes and modality shifts, and supports person re-identification research for any time period.

搜集汇总

数据集介绍

构建方式

在行人重识别研究领域，AT-USTC数据集的构建采用了系统性多模态采集策略。通过部署8个RGB相机和8个红外相机在16个非重叠位置，历时21个月持续采集了403,599张图像数据。数据收集过程覆盖春夏冬三季，温度范围从-3℃至33℃，确保捕捉到丰富的服装变化。270名志愿者平均被拍摄29.1次，每人在训练集中拥有2-14套不同服装，平均3.6套，为长期场景下的行人检索提供了充分条件。数据标注包含人员身份、相机编号和服装标签等多维度信息，构建过程严格遵守隐私保护规范。

使用方法

该数据集的使用遵循严格的任务划分框架。数据集被固定划分为包含135人的训练集和135人的测试集，其中训练集286,087张图像，测试集117,512张图像。为支持全面的模型评估，专门为六种AT-ReID场景分别构建了独立的查询集和画廊集。在每个场景评估中，从相同身份、相同相机、相同服装的视频片段中选取三张查询图像和三张画廊图像。这种配置下画廊平均每个身份包含约25张图像，确保了评估的全面性和可靠性。研究人员可通过该数据集训练多场景统一模型，并系统评估模型在不同时间条件下的检索性能。

背景与挑战

背景概述

行人重识别技术作为智能监控系统的核心组成部分，长期以来致力于在特定场景下实现精准的身份检索。然而，现实应用对系统提出了更高要求，需在昼夜交替、季节变迁及服装更换等多维动态因素下保持稳定性能。AT-USTC数据集由中国科学技术大学联合香港中文大学、武汉大学于2025年发布，首次构建了覆盖六种时空场景的大规模基准数据。该数据集通过21个月跨季节采集，整合270位志愿者的40.3万张RGB与红外双模态图像，平均每位参与者被记录29.1次，突破了传统数据集在时间跨度与模态多样性方面的局限，为全天候行人重识别研究奠定了数据基础。

当前挑战

该数据集致力于解决多场景融合检索的核心难题：首先，在领域问题层面，需同时应对短时服装恒定与长时服装变更的识别矛盾，兼顾可见光与红外模态的特征对齐，并解决昼夜光照差异导致的特征漂移问题。其次，在构建过程中面临三重挑战：跨模态数据同步采集需协调16台异质相机的工作时序，长期追踪导致志愿者服装组合达710套的标注复杂性，以及为保护隐私而设计的多层授权机制增加了数据合规管理难度。这些挑战共同推动了动态权重分配、属性专家混合等新型算法框架的发展。

常用场景

经典使用场景

在智能监控与安防领域，AT-USTC数据集被广泛应用于全天候行人重识别任务。该数据集通过整合RGB与红外模态数据，覆盖昼夜交替、季节变迁及服装更换等复杂场景，为模型提供了跨时间跨情境的检索能力。其核心应用聚焦于构建统一的多场景学习框架，使系统能够在任意时刻对行人目标进行精准追踪与匹配。

解决学术问题

AT-USTC填补了传统行人重识别研究在时间维度上的空白，解决了跨模态检索与长期服装变更场景下的特征对齐难题。通过提供涵盖六类典型场景（如日间短时、夜间长时等）的标注数据，该数据集推动了多任务协同学习理论的发展，并促进了模态不变性与服装鲁棒性特征提取方法的创新，为复杂现实环境中的身份一致性建模奠定了实证基础。

实际应用

该数据集在智慧城市安防体系中具有重要价值，支持构建全天候智能监控网络。例如在交通枢纽、商业街区等场景中，系统可基于AT-USTC训练的模型实现跨摄像头行人轨迹追踪，有效应对昼夜光照变化、季节性服装更替等实际挑战。其多模态特性更适用于军事侦察、边境监控等对夜间红外成像有特殊需求的领域。

数据集最近研究

最新研究方向

在行人重识别领域，AT-USTC数据集的推出标志着全天候检索任务的前沿突破。该数据集通过融合RGB与红外模态、覆盖21个月跨季节采集的403k图像，首次系统性解决了昼夜交替与衣物更换带来的长期检索难题。当前研究聚焦于多场景协同建模，通过提出的Uni-AT框架实现六种时序场景的统一表征学习，其中混合属性专家模块通过属性层共享机制有效缓解场景间干扰，而分层动态加权策略则从多任务学习视角平衡跨场景训练。这一方向正推动行人重识别从单一场景向现实复杂环境的范式转变，为智慧城市安防系统提供更鲁棒的检索能力。

相关研究论文

• 通过

  中国科学技术大学网络空间安全学院,安徽省数字安全重点实验室 · 2025年