VeRi

VeRi数据集是一个用于车辆再识别的大型基准数据集，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。数据集在真实世界的非约束监控场景中捕获，并标注了多种属性，如边界框、类型、颜色和品牌，支持复杂模型的学习和评估。每辆车由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。此外，数据集还标注了足够的牌照和时空信息，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 for vehicle re-identification, comprising 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 dataset is captured in real-world, unconstrained surveillance scenarios and annotated with multiple attributes such as bounding boxes, type, color, and brand, supporting the learning and evaluation of complex models. Each vehicle is captured by 2 to 18 cameras with varying perspectives, lighting conditions, resolutions, and occlusions, providing a high repetition rate suitable for vehicle re-identification in practical surveillance environments. Additionally, the dataset is annotated with sufficient license plate and spatio-temporal information, including license plate bounding boxes, license plate strings, vehicle timestamps, and 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：包含超过50,000张图像，涉及776辆车，由20个摄像头在1.0平方公里的区域内24小时内拍摄。
• 图像属性：图像在真实世界的非受控监控场景中捕捉，标注了多种属性，包括边界框（BBoxes）、类型、颜色和品牌。
• 车辆视角与环境：每辆车由2至18个不同视角、光照、分辨率和遮挡情况的摄像头捕捉，提供了高重复率。
• 标注信息：数据集还标注了足够的牌照和时空信息，如牌照框、牌照字符串、车辆时间戳以及相邻摄像头间的距离。

数据集下载

• 获取方式：数据集正在修订中，需通过电子邮件向联系人（xinchenliu at bupt dot edu dot cn）提供全名和单位信息以请求获取，确保数据用于非商业目的。

数据集问题

• 标注错误：先前版本的训练集标签文件（train_label.xml）中，车辆3、7和41被错误标注为类型ID="0"，与合法类型列表不符。

引用信息

• 参考文献：使用此数据集时，请引用以下论文：
  • Liu X., Liu W., Ma H., Fu H.: Large-scale vehicle re-identification in urban surveillance videos. In: IEEE International Conference on Multimedia and Expo. (2016) accepted.
  • Liu X., Liu W., Mei T., Ma H. A Deep Learning-Based Approach to Progressive Vehicle Re-identification for Urban Surveillance. In: European Conference on Computer Vision. Springer International Publishing, 2016: 869-884.

AI搜集汇总

数据集介绍

构建方式

VeRi数据集的构建旨在推动车辆重识别（Re-Id）领域的研究。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小时内对一个1.0平方公里区域进行拍摄，收集了超过50,000张776辆车的图像，实现了数据集的可扩展性，为车辆Re-Id及相关研究提供了丰富的数据资源。

特点

VeRi数据集的特点体现在其真实世界的无约束监控场景中捕获的图像，并带有多种属性标注，如边界框、车型、颜色和品牌等。数据集中每辆车从不同视角、光照、分辨率和遮挡中被2到18台摄像头捕获，为车辆Re-Id在真实监控环境中的高重现率提供了条件。此外，数据集还包含了充足的牌照和时空信息标注。

使用方法

使用VeRi数据集需先通过邮件向提供者索取，确保数据仅用于非商业研究目的。在使用数据集时，需关注数据集中可能存在的标注错误，并在引用时遵循指定的论文引用格式。数据集的使用包括计算查询图像和测试图像的距离矩阵、读取地面真实情况和无效图像索引，并通过排序和计算平均精度来评估车辆搜索效果。

背景与挑战

背景概述

VeRi数据集，作为车辆重识别（Re-Id）领域的重要基准，由Liu X.等研究人员构建，旨在为现实世界城市监控场景提供大规模的车辆重识别数据集。该数据集成立于2016年，并迅速成为相关研究的重要资源。VeRi数据集涵盖了776辆车的50,000多张图片，这些图片由20台相机在24小时内拍摄，覆盖了1.0平方公里区域，其规模足以支撑车辆Re-Id及其他相关研究。数据集中的图像在真实无约束的监控场景中捕获，并标注有各种属性，如边界框、车型、颜色和品牌，为复杂模型的训练和评估提供了条件。此外，VeRi还标注有足够的车牌和时空信息，进一步丰富数据集的实用性。

当前挑战

VeRi数据集面临的挑战主要涉及两个方面：一是领域问题层面的挑战，即如何在多视角、光照变化、分辨率差异及遮挡等复杂情况下，准确进行车辆重识别；二是数据集构建过程中的挑战，例如保证数据质量、处理数据标注错误、以及确保数据仅用于非商业研究目的。前版本的VeRi数据集在train_label.xml文件中存在标注错误，需要修订以保证数据的准确性。同时，数据集的获取和使用也需严格控制，以保护数据隐私和版权。

常用场景

经典使用场景

VeRi数据集作为车辆重识别领域的重要基准，其经典使用场景主要在于为车辆重识别算法提供大规模、多样化的现实监控图像。该数据集包含了50,000余张车辆图片，覆盖了776辆车，由20个摄像头在24小时内捕捉，满足了车辆重识别及其他相关研究对于数据规模的需求。

解决学术问题

VeRi数据集解决了车辆重识别研究中图像视角变化、光照条件、分辨率以及遮挡等实际监控环境中的复杂问题。通过提供丰富的车辆属性标注和时空信息，VeRi使得研究者能够训练并评估更加复杂的模型，从而推动了车辆重识别技术的进步。

衍生相关工作

基于VeRi数据集，研究者已经开展了一系列相关工作，包括但不限于深度学习在车辆重识别中的应用、车辆属性的细粒度识别以及大规模车辆重识别系统的构建等，这些工作进一步扩展了VeRi数据集的应用范围和影响力。