长期换衣行人重识别（Long-Term Clothes-Changing Person Reid）数据集汇总

总览

在长期换衣行人重识别的任务当中，数据集的获取（尤其是对于学术环境下）是一个难点，主要的困难有以下几点：

1. 采集大规模的数据集比较困难。
2. 采集不同的衣服的数据集比较困难。
3. 采集不同衣服不同角度的数据集比较困难。

目前也有一些数据集或多或少的能够解决相关的问题，在下面按照时间顺序进行一个总结，总结的具体内容会尽量简短的概括不同数据集的优缺点，以及相关的改进措施和未来的方向。

目前换衣数据集的主要问题

1. 缺乏大规模的数据集（表现比较好的PRCC数据集也只有300+的id）
2. 缺乏基于视频的数据集（可以提取步态特征，而步态我认为是最有力的特征），目前几乎全部的数据集都是基于单帧图片的。
3. 大规模的数据集背景比较杂乱：例如LaST和Celeb-Reid，同时这两个数据集相互之间的cross-testing也比较好，但对于其他数据集的cross-testing比较差，因为他们俩采集过程比较相似（街拍和视频截图）。

数据集换衣/总体情况集统计

目前为止，完全换衣情况的数据集有：Deep Change，PRCC和Celebrities-reID， 总体的纯换衣服的子集占数据集总数如下图所示：

表格中换衣/总体代表有多套衣服的id占总id的比例。

DeepChange（2021）

DeepChange是2021年5月份新提出的数据集，包括1121个行人的170000多张图片，有17个摄像头，时间跨度为2年。

优点：是大规模的数据集，季节跨度有12个月，也就说明了该数据集会包含同一个人穿着四季的衣服，另外，在一天之内也有跨度，包含了不同时刻的数据。同时也有一定的图像序列可以用于提取步