MTA

MTA（多摄像头跟踪自动）是一个大型多目标多摄像头跟踪数据集，包含超过2,800个人物身份，6个摄像头，每个摄像头的视频长度超过100分钟。数据集涵盖了一天和一夜的时间段。

The MTA (Multi-camera Tracking Automated) is a large-scale multi-target, multi-camera tracking dataset, encompassing over 2,800 individual identities and six cameras, with each camera's video exceeding 100 minutes in length. The dataset spans both day and night periods.

原始信息汇总

数据集概述

基本信息

• 名称: MTA (Multi Camera Track Auto)
• 类型: 大型多目标多摄像头跟踪数据集
• 规模: 包含超过2,800个人物身份，6个摄像头，每个摄像头的视频长度超过100分钟
• 时间范围: 包含白天和夜晚时段

数据集内容

多人物多摄像头跟踪

• 视频文件:

  • MTA_videos.zip: 包含12个视频（6个摄像头训练和测试视频），总视频长度102分钟，41GB压缩，42GB解压
  • MTA_videos_coords.zip: 包含完整标注，28.6GB压缩，235GB解压
  • MTA_ext_short.zip: 包含提取的短部分视频和标注，1.7GB压缩，1.8GB解压，总视频长度4分钟
  • MTA_ext_short_coords.zip: 包含提取短部分的完整标注，1.1GB压缩，8.9GB解压

• 标注文件:

  • coords_fib_cam_{0-5}.csv: 包含帧号、人物ID、边界框坐标
  • coords_cam_{0-5}.csv: 包含帧号、人物ID、外观ID、关节类型、2D/3D关节位置、关节遮挡状态等详细信息

人物重识别

• 数据集: MTA_reid.zip，包含0.8GB压缩，1.2GB解压

  • 训练集: 72301张图像
  • 查询集: 15165张图像
  • 测试集: 60448张图像
  • 干扰图像: 36100张，不显示足够的人物识别信息

• 标注: 图像文件名中包含的标注信息，如framegta_{int}_camid_{0-5}_pid_{int}.png，提供游戏内帧号、摄像头ID和人物ID

获取数据集

• 需通过电子邮件联系数据集提供者获取下载链接，并提供个人信息及数据使用目的

引用信息

• 引用该数据集时，应参考CVPR 2020 VUHCS Workshop发表的相关论文

以上信息为数据集MTA的概要描述，涵盖了数据集的基本信息、内容组成、获取方式及引用要求。

搜集汇总

数据集介绍

构建方式

MTA数据集通过多摄像头追踪技术构建，涵盖了超过2,800个个体身份，6个摄像头，每个摄像头的视频长度超过100分钟，包含白天和夜晚两个时段。数据集的录制和创建由MTA-Mod项目完成，确保了数据的多样性和复杂性。数据集包括多个压缩文件，如MTA_videos.zip和MTA_videos_coords.zip，分别包含视频和详细的标注信息，如帧号、人物ID、边界框等。

特点

MTA数据集的主要特点在于其大规模的多目标多摄像头追踪能力，提供了丰富的标注信息，包括2D和3D关节位置、相机参数、人物类型等。此外，数据集还包含了人物再识别（re-identification）的子集，适用于多种计算机视觉任务。数据集的多样性和详细标注使其成为研究多摄像头追踪和人物再识别的理想选择。

使用方法

使用MTA数据集时，用户需先通过邮件申请下载链接，并承诺仅用于研究和教育目的。下载后，可以通过提供的Python脚本将数据转换为COCO格式或绘制标注视频。数据集的标注信息可以通过CSV文件进行访问，支持多种计算机视觉任务的开发和测试。引用时，请参考CVPR 2020 VUHCS Workshop的相关论文。

背景与挑战

背景概述

MTA（Multi Camera Track Auto）数据集是一个大规模的多目标多摄像头追踪数据集，由Philipp Kohl等人创建，并于2020年在CVPR VUHCS研讨会上发布。该数据集包含超过2,800个行人身份，6个摄像头，每个摄像头的视频长度超过100分钟，涵盖了白天和夜晚的不同时间段。MTA数据集的核心研究问题集中在多摄像头追踪和行人重识别领域，旨在为计算机视觉研究提供高质量的多目标追踪数据。通过丰富的标注信息，包括边界框、身体关节、摄像头位置等，该数据集为多摄像头追踪算法的研究提供了宝贵的资源，推动了相关领域的技术进步。

当前挑战

MTA数据集在构建过程中面临了多重挑战。首先，多目标多摄像头追踪的复杂性要求数据集具备高精度的标注，尤其是在不同摄像头视角下的目标一致性问题。其次，数据集的规模庞大，处理和存储这些数据需要高效的计算资源和存储解决方案。此外，数据集中包含了白天和夜晚的不同光照条件，这对算法的鲁棒性提出了更高的要求。最后，行人重识别任务中的遮挡、视角变化等问题也是该数据集需要解决的关键挑战。这些挑战不仅推动了数据集的构建，也为后续的研究提供了丰富的研究方向。

常用场景

经典使用场景

MTA数据集在多目标多摄像机跟踪领域中具有经典应用场景，主要用于训练和测试多摄像机跟踪算法。该数据集包含超过2,800个行人身份、6个摄像机以及每个摄像机超过100分钟的视频，涵盖白天和夜晚两个时间段。通过这些丰富的数据，研究人员可以开发和验证多摄像机跟踪算法，特别是在复杂场景下的行人跟踪和身份识别。

衍生相关工作

基于MTA数据集，研究人员开发了多种相关的经典工作，如多摄像机跟踪算法WDA-Tracker和行人重识别技术。这些工作不仅在学术界引起了广泛关注，还在实际应用中展现了巨大的潜力。此外，MTA数据集的发布也促进了多摄像机跟踪和行人重识别领域的研究进展，为后续的相关研究提供了坚实的基础。

数据集最近研究

最新研究方向

在多目标多摄像机跟踪领域，MTA数据集的最新研究方向主要集中在提升跨摄像机跟踪的精度和鲁棒性。随着深度学习技术的进步，研究者们致力于开发更高效的模型，以应对复杂场景中的遮挡、光照变化和视角差异等问题。此外，结合人体姿态估计和行人重识别技术，研究者们正在探索如何将这些技术整合到多摄像机跟踪系统中，以实现更全面的目标行为分析和身份识别。这些研究不仅推动了智能监控系统的发展，也为城市安全、交通管理等领域提供了重要的技术支持。