Occluded-REID, P-DukeMTMC-reID, PETHZ, Partial-REID

本项目旨在发布论文中的数据集，用于遮挡人物再识别。数据集包括Occluded-REID, P-DukeMTMC-reID, PETHZ, Partial-REID，这些数据集用于评估遮挡人物再识别方法的性能。

This project aims to release the datasets mentioned in the paper, which are used for occluded person re-identification. The datasets include Occluded-REID, P-DukeMTMC-reID, PETHZ, and Partial-REID, which are utilized to evaluate the performance of methods for occluded person re-identification.

原始信息汇总

数据集概述

本项目包含三个主要数据集，用于支持论文《Occluded Person Re-identification》中的研究，该论文发表于ICME 2018。以下是各数据集的详细介绍：

1. Occluded-REID 数据集

• 描述: 由移动相机设备捕捉，包含2000张图像，涉及200个人。每个身份有5张全身图像和5张不同类型严重遮挡的图像。
• 图像规格: 所有图像调整为128×64像素。

2. P-DukeMTMC-reID 数据集

• 描述: 基于DukeMTMC-reID数据集修改而来，包含24143张图像，涉及1299个身份。数据集中的图像包括全身和不同类型遮挡的图像。

3. P-ETHZ 数据集

• 描述: 从ETHZ数据集选取，包含3897张图像，涉及85个身份。每个身份有1至30张全身和遮挡的图像。

数据集使用

• 用途: 这些数据集主要用于学术或教育目的，不适用于商业用途。
• 引用: 若使用这些数据集，请引用以下论文： cpp @article{zhuo2018occluded, title={Occluded Person Re-identification}, author={Zhuo, Jiaxuan and Chen, Zeyu and Lai, Jianhuang and Wang, Guangcong}, journal={arXiv preprint arXiv:1804.02792}, year={2018} }

联系信息

• 联系邮箱:
  • [e-mail]
  • [e-mail]
  • [e-mail]
  • [e-mail]

搜集汇总

数据集介绍

构建方式

Occluded-REID、P-DukeMTMC-reID、PETHZ和Partial-REID数据集的构建旨在解决拥挤公共场所中行人重识别（re-id）的遮挡问题。Occluded-REID数据集通过移动设备捕捉了2000张图像，包含200个行人，每个行人具有5张全身图像和5张遮挡图像。P-DukeMTMC-reID数据集基于DukeMTMC-reID数据集修改而成，包含1299个行人的24143张图像，其中部分图像被行人、行李、车辆等遮挡。PETHZ数据集则从ETHZ数据集中选取，包含85个行人的3897张图像，每个行人具有1到30张全身和遮挡图像。Partial-REID数据集则通过手动标注部分行人图像构建，旨在模拟真实场景中的遮挡情况。

特点

这些数据集的特点在于其专注于遮挡行人重识别问题，提供了丰富的遮挡场景和多样化的行人图像。Occluded-REID数据集通过移动设备捕捉，具有不同的视角和背景，图像尺寸统一为128×64。P-DukeMTMC-reID数据集则通过修改现有数据集，增加了多种类型的遮挡，如行人、行李和车辆等。PETHZ数据集则从多摄像头采集的图像中选取，具有较大的光照和尺度变化。Partial-REID数据集则通过手动标注部分行人图像，提供了更为精细的遮挡信息。这些数据集共同为遮挡行人重识别研究提供了丰富的实验数据。

使用方法

这些数据集的使用方法主要包括数据加载、预处理和模型训练。首先，用户可以从GitHub或相关链接下载数据集，并按照提供的格式加载图像和标注信息。其次，用户需要对图像进行预处理，如调整尺寸、归一化等，以适应深度学习模型的输入要求。最后，用户可以使用这些数据集训练和评估遮挡行人重识别模型，如AFPB框架。通过对比实验，用户可以验证模型在遮挡场景下的性能，并与现有方法进行比较。这些数据集为遮挡行人重识别研究提供了标准化的实验平台。

背景与挑战

背景概述

Occluded-REID、P-DukeMTMC-reID、PETHZ和Partial-REID数据集是面向遮挡行人重识别（Occluded Person Re-identification）任务的重要数据集，由中山大学的研究团队于2018年发布。这些数据集的创建旨在解决传统行人重识别任务中因遮挡问题导致的性能下降问题。传统行人重识别假设行人图像无遮挡，而在实际场景中，行人图像常受到遮挡干扰。为此，研究团队提出了基于深度学习的注意力框架（AFPB），通过遮挡模拟器和多任务损失函数，提升模型在遮挡条件下的识别能力。这些数据集在学术界和工业界具有广泛影响力，推动了遮挡行人重识别领域的研究进展。

当前挑战

遮挡行人重识别任务的核心挑战在于如何从部分遮挡的行人图像中检索出完整的行人图像。传统行人重识别方法在无遮挡条件下表现良好，但在遮挡场景下性能显著下降。构建这些数据集时，研究团队面临的主要挑战包括：1）如何生成具有多样性和真实性的遮挡数据，以模拟复杂场景中的遮挡情况；2）如何设计有效的深度学习框架，使模型能够同时处理身份识别和遮挡检测任务；3）如何确保数据集在规模、多样性和标注质量上满足研究需求，以支持模型的训练和评估。这些挑战推动了遮挡行人重识别领域的技术创新和方法改进。

常用场景

经典使用场景

在拥挤的公共场所，行人再识别（Re-ID）技术面临严重的遮挡问题。Occluded-REID、P-DukeMTMC-reID、PETHZ和Partial-REID数据集为研究遮挡情况下的行人再识别提供了丰富的实验数据。这些数据集通过提供遮挡和全身行人图像，帮助研究人员开发和测试新的算法，以解决在复杂环境中行人再识别的挑战。

解决学术问题

这些数据集解决了行人再识别领域中的一个关键问题：如何在行人图像被部分遮挡的情况下，准确识别和匹配行人。通过引入遮挡模拟器和多任务损失函数，研究人员能够训练深度学习模型，使其不仅能够区分行人身份，还能判断图像是否来自遮挡数据分布。这一创新显著提升了模型在遮挡情况下的识别性能。

衍生相关工作

基于这些数据集，研究人员提出了多种创新的深度学习框架和算法。例如，AFPB（Attention Framework of Person Body）通过结合遮挡模拟器和多任务损失函数，显著提升了模型在遮挡情况下的行人再识别性能。此外，这些数据集还催生了一系列相关研究，如基于注意力机制的遮挡行人再识别、多模态融合的行人再识别等，推动了该领域的进一步发展。