OWD

OWD数据集是由重庆大学微电子与通信工程学院开发的一个开放世界、多样化、跨时空的动态人物再识别基准。该数据集包含136,614条记录，覆盖多种场景，如街道、交叉口、购物中心等，以及从白天到夜晚的丰富光照变化。数据集通过多个摄像头在所有季节中部署，捕捉到多样的人物状态和外观，同时保护隐私，不显示面部。OWD数据集旨在解决现有数据集在多样性和动态场景适应性方面的不足，推动人物再识别模型在开放世界和动态野外的应用。The OWD dataset is an open-world, diverse, cross-spatiotemporal dynamic person re-identification benchmark developed by the School of Microelectronics and Communication Engineering, Chongqing University. It contains 136,614 records, covering various scenarios including streets, intersections, shopping malls, etc., as well as rich illumination variations ranging from daytime to nighttime. Deployed across all seasons with multiple cameras, the dataset captures diverse person states and appearances while protecting privacy by excluding facial details. The OWD dataset is designed to address the limitations of existing datasets in terms of diversity and dynamic scene adaptability, and to promote the application of person re-identification models in open-world and dynamic wild environments.

搜集汇总

数据集介绍

构建方式

OWD数据集的构建根植于对动态开放场景下行人再识别（ReID）模型泛化能力的迫切需求。研究团队精心选取了21个彼此独立且高度动态的开放世界场景，涵盖街道、十字路口、购物中心、地下通道与公园等室内外地点，以突破传统数据集局限于校园或教室的狭隘视野。为捕捉丰富的光照变化，首次在真实世界RGB传感器中系统性地采集了从日间到夜间的长时序样本。同时，部署了由84台摄像机组成的大规模网络，跨越四季进行数据采集，从而囊括了正常与恶劣天气条件下的多样行人外观，如服饰、随身物品及姿态等。为确保标注质量，每个地点的数据由专人负责标注，并经过交叉校验以消除噪声。此外，为应对隐私敏感应用，所有可见人脸均被遮蔽处理。最终，OWD数据集包含了136,614张行人边界框图像，对应3,986个独立身份，每个身份至少跨越同一采集区域中的两个场景，以此保证类内多样性。

特点

OWD数据集的核心特质在于其前所未有的多样性与挑战性，旨在真实反映动态野外场景的复杂性。其一，采集场景的开放性与多元性——21个非重叠的开放世界地点确保了背景、遮挡及光照的丰富变化，显著提升了图像内容与域多样性。其二，光照条件的极端跨度——从日间到夜间的真实低光照样本填补了现有基准的空白，夜间因照明不足导致的细节丢失与视角差异极大地增加了匹配难度与类内方差。其三，时间与季节的纵深覆盖——跨越两年的全季节采集提供了多样化的服饰与个人物品，并引入了雾、雨等恶劣天气条件，强化了模型的鲁棒性。其四，丰富的标注信息——除行人身份外，还提供了摄像机ID、场景ID、时间戳及昼夜标签，支持灵活的数据划分与多维度评估。其五，隐私保护设计——遮蔽人脸不仅符合隐私法规，也迫使模型学习更鲁棒的非面部判别特征。

使用方法

OWD数据集的使用方法依托其丰富的标注信息，提供了三种基于域差异程度的评估协议，以全面衡量模型的泛化能力。首先是闭场景协议，训练集与测试集共享相似场景背景，用于评估模型在常规条件下的表现。其次是开场景协议，训练与测试数据来自完全不同的地点，身份、背景与光照均无重叠，模拟了模型部署到全新监控环境时的真实挑战。最后是昼夜协议，训练集仅包含日间图像，而测试集则来自不同地点的夜间场景，专门用于验证模型应对严重光照域偏移的能力。在实际应用中，研究者可根据研究目标选择合适的协议，利用OWD作为源域进行模型预训练或域泛化研究，也可将其与现有数据集结合进行联合训练以增强模型迁移性。此外，OWD支持基于场景、摄像机或时间信息的灵活数据拆分，为弱监督学习、时序信息利用等前沿探索提供了理想平台。

背景与挑战

背景概述

行人重识别（Person ReID）作为计算机视觉领域的一项基础性任务，旨在跨越分布式多摄像头网络实现行人匹配，近年来在深度学习技术的驱动下取得了显著进展。然而，现有基准数据集大多局限于校园、教室等相对封闭的场景，采集时间短、光照条件单一、季节变化有限，且缺乏对行人隐私的有效保护，导致模型在动态野外场景中面临严重的性能退化。为突破这一瓶颈，重庆大学、浙江大学等机构的研究人员于2024年构建了开放世界多样化跨时空基准数据集OWD。该数据集涵盖21个独立开放场景、84台摄像头网络，首次引入真实夜间RGB行人数据，并跨越四季采集，包含136,614张行人图像和3,986个身份标识，通过掩码面部信息保护隐私，旨在为评估和提升ReID模型在动态复杂环境下的泛化能力提供更具挑战性的评测平台。

当前挑战

OWD数据集所应对的核心挑战在于现有ReID模型在开放世界动态场景中泛化能力不足。首先，真实监控环境中的场景多样性远超现有基准，OWD通过引入多类开放场景（如街道、商场、地下通道）和跨时空采集，迫使模型学习不受背景、光照和视角影响的身份判别特征。其次，光照变化是重大难题，OWD首次提供真实夜间RGB数据，夜间低照度导致行人细节丢失、色彩偏移，显著增大了跨时段匹配难度。再者，季节与天气多样性带来行人着装、携带物和姿态的剧烈变化，加之恶劣天气（如雨雾）的干扰，进一步挑战了模型的鲁棒性。此外，构建过程中需在21个不重叠场景部署84台摄像头，并跨两年四季持续采集，同时手动标注并交叉验证以消除噪声，还需对海量视频进行长间隔采样以避免冗余，这些均构成了巨大的工程与标注挑战。

常用场景

经典使用场景

随着深度学习技术的蓬勃发展，行人重识别（Person ReID）领域取得了显著突破。然而，现有基准数据集多采集于校园等封闭场景，光照条件单一、季节覆盖有限、隐私保护缺失，导致模型在动态开放环境下的泛化能力严重不足。OWD数据集应运而生，它汇聚了21个互不交叠的开放场景（如商业街区、购物中心、地下通道等），部署了84台摄像机，跨越四季与昼夜，并隐去了行人面部信息，旨在为动态野外场景下的行人重识别提供高度多样化的训练与评测平台。其最经典的使用场景是作为多源域泛化学习的基准，研究者可利用其丰富的场景、光照和季节标签，系统评估模型从已知域向未知开放域迁移的鲁棒性与泛化性能。

实际应用

在真实的安防监控与公共安全领域，行人重识别系统常面临摄像机视角不一、光照条件剧烈变化、行人衣着随季节更替等复杂挑战。OWD数据集凭借其涵盖21个开放场景、84个摄像机位、全天候（昼夜）及全季节的数据构成，精准模拟了这些实际部署中的痛点。其实际应用价值体现在多个层面：首先，它可直接作为预训练数据源，为特定场景（如商场、交通枢纽）的ReID模型提供强大的初始化权重，显著提升模型在目标场景上的微调效率与最终精度；其次，其提供的昼夜与场景标签，使得开发者能够针对性地训练光照鲁棒和场景无关的特征提取器，有效降低模型在跨摄像头、跨时段的检索误差；此外，OWD隐去人脸的特性，使其特别适用于对隐私敏感的场所（如医院、学校），为隐私计算与视觉理解的融合提供了合规的数据支撑。

衍生相关工作

OWD数据集的发布催生了一系列旨在提升模型开放世界泛化能力的经典工作。其中最具有代表性的当属伴随数据集提出的隐式域扩展（Latent Domain Expansion, LDE）方法，该方法通过域解耦与隐式特征增强，在不增加训练负担的前提下，有效拓展了身份特征空间的域多样性，推动了域不变特征学习的发展。此外，OWD还被广泛应用于多源域泛化方法的基准测试中，如元学习策略（MetaBIN、M3L）和风格增强策略（MixStyle、DualNorm）等，这些工作利用OWD提供的多场景、多光照、多季节标注，验证了各自方法在应对极端域偏移时的有效性。同时，OWD也促进了跨数据集联合训练范式的研究，实验表明，将OWD与传统数据集（如Market1501）混合训练，可显著提升模型在目标域上的检索精度，这一发现为构建大规模、高泛化能力的通用ReID模型提供了新的思路与实验证据。