EPRBench

EPRBench是由安徽大学联合鹏城实验室等机构构建的大规模事件流视觉地点识别基准数据集，包含1,022个城市场景下的10,000条事件序列及65,000帧高分辨率（1280×720）事件数据，涵盖手持与车载设备采集的多视角、多天气及复杂光照场景。数据集创新性地集成LLM生成并经人工校验的语义描述，支持语义感知的跨模态研究。其构建过程通过严格协议确保数据规模与多样性，为事件相机在自动驾驶、无人机导航等动态环境中的高鲁棒性地点识别提供关键基准。

EPRBench is a large-scale event stream visual place recognition benchmark dataset developed by Anhui University, Peng Cheng Laboratory and other research institutions. It comprises 10,000 event sequences and 65,000 high-resolution (1280×720) event frames spanning 1,022 urban scenarios. The data was collected using handheld and in-vehicle platforms, covering multi-view, multi-weather and complex lighting conditions. Notably, this dataset innovatively integrates semantic descriptions generated by LLMs and manually validated, supporting semantic-aware cross-modal research. Constructed following strict protocols to ensure data scale and diversity, EPRBench provides a critical benchmark for high-robustness place recognition of event cameras in dynamic environments such as autonomous driving and unmanned aerial vehicle navigation.

原始信息汇总

Neuromorphic_ReID 数据集概述

基本信息

• 数据集名称: EvReID
• 数据集规模: 118,988 图像对
• 覆盖身份数: 1,200 个行人身份
• 数据采集条件: 多季节、多场景、多光照条件

研究背景

• 研究领域: 基于事件相机（Event Camera）的行人重识别（Person Re-Identification, ReID）
• 主要挑战: 数据稀缺问题，现有方法难以评估真实识别性能和泛化能力

数据集特点

• 数据类型: RGB-Event 数据对
• 数据多样性: 覆盖多种环境条件，增强数据泛化能力

研究贡献

1. 数据集构建: 提供大规模 RGB-event 行人重识别数据集
2. 算法评估: 评估 15 种最先进的行人重识别算法
3. 框架提出: 提出 TriPro-ReID 框架，结合行人属性引导的对比学习

相关论文

• 标题: When Person Re-Identification Meets Event Camera: A Benchmark Dataset and An Attribute-guided Re-Identification Framework
• 作者: Xiao Wang, Qian Zhu, Shujuan Wu, Bo Jiang, Shiliang Zhang, Yaowei Wang, Yonghong Tian, Bin Luo
• 论文链接: https://arxiv.org/abs/2507.13659

搜集汇总

数据集介绍

构建方式

EvReID数据集的构建采用了多模态数据采集策略，通过DVS346事件相机同步捕获RGB图像与事件流数据，确保时空对齐。数据采集覆盖了1200个行人身份，总计118,988对图像，涵盖了不同季节、场景及光照条件，以增强数据多样性和实际应用场景的覆盖范围。数据采集过程中严格遵循多视角协议，通过旋转相机视角捕捉行人运动方向的变化，同时引入11种不同类型的噪声模拟现实环境中的复杂条件，以验证双模态互补学习的有效性。

特点

EvReID数据集作为首个大规模RGB-Event行人重识别基准，其核心特点体现在多模态数据的时空对齐性、场景复杂性和身份多样性。数据集包含346×260分辨率的事件流与RGB帧的精确配对，通过跨季节、昼夜及天气变化的数据采集，显著提升了环境鲁棒性。与现有事件数据集相比，其规模扩展了7倍（图像对）和36倍（身份数），并首次引入真实世界噪声模拟机制，为研究光照变化、运动模糊等挑战性问题提供了标准化测试平台。

使用方法

该数据集支持三种模态（RGB/Event/RGB-Event）的独立或联合评估，采用70%-30%的非重叠训练测试划分。研究者可通过单次拍摄（single-shot）设置进行跨模态检索实验，利用提供的时空对齐数据对开发特征融合算法。基准测试包含15种前沿ReID方法的适配结果，用户可通过对比不同模态组合下的mAP和CMC指标（Rank-1/5/10），验证算法在跨模态互补学习、噪声鲁棒性等方面的性能。数据集的属性标注还可用于开发基于语义提示的增强学习方法。

背景与挑战

背景概述

EvReID数据集是由安徽大学计算机科学与技术学院联合鹏城实验室、北京大学等机构的研究团队于2025年提出的新型多模态行人重识别基准数据集。该数据集针对传统RGB摄像头在光照变化、运动模糊和隐私保护等方面的局限性，创新性地融合事件相机（Event Camera）与RGB相机的数据优势，包含118,988对时空对齐的多模态图像，涵盖1,200个行人身份，采集场景跨越不同季节、光照条件和复杂环境。作为当前规模最大的真实世界RGB-Event行人重识别数据集，其数据量达到先前Event-ReID数据集的7倍，身份数量扩展36倍，为研究多模态特征互补学习、动态场景适应等关键问题提供了重要实验平台。

当前挑战

EvReID数据集主要面临三重挑战：在领域问题层面，需解决事件流数据时空稀疏性与RGB模态信息冗余的协同优化问题，以及跨模态特征对齐中的语义鸿沟问题；在数据构建层面，事件相机与RGB设备的硬件同步、多季节场景数据采集的时空一致性保障构成技术难点；在算法评估层面，现有15种主流ReID方法在跨模态泛化性、小样本学习和动态属性建模等方面表现参差不齐，暴露出传统单模态算法在融合事件数据时的架构局限性。此外，数据集中人工添加的11类噪声（如光照突变、运动模糊等）对模型的鲁棒性提出更高要求。

常用场景

经典使用场景

EvReID数据集作为首个大规模RGB-Event双模态行人重识别基准，其经典使用场景聚焦于跨季节、多光照条件下的身份匹配研究。在智能监控领域，该数据集通过同步采集346×260分辨率的动态视觉传感器（DVS346）事件流与RGB帧序列，为算法提供了极端光照变化（如夜间场景）及运动模糊等挑战性环境下的数据支撑，尤其适用于验证模态互补性学习框架的鲁棒性。

衍生相关工作

EvReID直接催生了TriPro-ReID等创新框架的发展，其提出的属性引导对比学习范式被后续研究广泛借鉴。数据集发布后，衍生工作主要集中于三个方向：跨模态提示投影（如CMP模块）、语义属性融合（如PNAP机制）以及轻量化部署方案。相关成果在CVPR 2026会议形成专题研讨会，推动事件视觉与行人分析领域的交叉创新。

数据集最近研究

最新研究方向

随着计算机视觉和人工智能技术的飞速发展，行人重识别（Person Re-Identification, ReID）作为智能监控和安防领域的关键技术，近年来备受关注。传统基于RGB摄像头的ReID方法在光照变化、运动模糊和隐私保护等方面存在显著局限。事件相机（Event Camera）因其低能耗、高动态范围和无运动模糊等特性，为行人重识别提供了新的解决方案。在这一背景下，EvReID数据集的提出填补了大规模真实场景下RGB-Event双模态行人重识别数据的空白。该数据集包含118,988对图像，涵盖1,200个行人身份，覆盖多季节、多场景和复杂光照条件，为算法评估提供了坚实基础。前沿研究聚焦于多模态特征融合、语义属性引导的对比学习框架（如TriPro-ReID）以及隐私保护下的动态特征提取。这些方向不仅推动了跨模态表征学习的发展，也为智能监控、机器人导航等实际应用提供了新的技术路径。

相关研究论文

• When Person Re-Identification Meets Event Camera: A Benchmark Dataset and An Attribute-guided Re-Identification Framework

  安徽大学计算机科学与技术学院，鹏城实验室，北京大学计算机科学学院，北京大学深圳研究生院电子与计算机工程学院，哈尔滨工业大学深圳校区 · 2025年