为了促进面向多源真实复杂场景的行人重识别的研究，构建了用于面向轨道交通场景的增量式行人重识别的数据集，共内容包含室内站台、广场、进站通道、车厢、球形相机、室外站台、高铁站台和大厅共 8 个轨道交通复杂场景的共 117313 万张图像。由于该数据集包含的多个场景数量和个体身份，该数据集可以用于场景增量的行人重识别和身份增量的行人重识别的研究，促进动态场景下行人重识别的研究。

国家基础学科公共科学数据中心170

基于Market-1501开源数据集的识别对象动态变化下的小样本目标识别或检测的平均准确率（MACC）或平均精度均值（mAP）与映射参数自适应学习模型适应变化对象的速度等任务的测试数据集

行人重识别

小样本学习

Market1501数据集的行人图像来自清华大学校园的6个摄像头，一共标注了1501个行人，32668个检测到的行人矩形框。其中，751个行人标注用于训练集，包含12,936张图像，平均每个人有17.2张训练数据。750个行人标注用于测试集，包含19,732张图像，平均每个人有 26.3 张测试数据。训练集和测试集中没有重复的行人ID。3368 张查询图像的行人检测矩形框是人工绘制的，而 gall

国家基础学科公共科学数据中心120

行人重识别测试数据Market1501数据集

行人重识别

监控分析

Market1501数据集主要面向重识别领域，满足行人重识别的研究需求。数据集包含了32668张图片，共 1501 个身份。这些行人图片是由 6 个监控摄像头（其中5个高清摄像头和1个低清摄像头）收集而来，每个行人至少由2个摄像头捕获到，并且在一个摄像头中可能具有多张图像。随后分为训练子集 12,936 张图片，共 751 个身份，平均每个人有17.2张训练数据；测试子集 19,732 张图片，

国家基础学科公共科学数据中心290

ihaveamoose/DLCR

行人重识别

扩散模型

DLCR框架通过扩散模型生成数据以扩展衣物更换行人重识别（CC-ReID）数据集。该数据集包含超过210万张合成图像，覆盖了PRCC、CCVID、VC-Clothes和LaST四个CC-ReID数据集。通过扩散修复技术，改变了图像中人物的衣物，增加了每个数据集的衣物多样性，并提高了下游CC-ReID任务的性能。数据集保持了与原始数据集相同的目录结构，并为每个原始图像生成了包含10个变体的.png文

Hugging Face2024-06-12 更新150

Detailed statistics of Market-1501 and DukeMTMC-reID.

资源简介：

相关数据集