reid 数据集 行人重拾别

已于 2022-05-26 22:28:43 修改
阅读量2.4k 收藏 1
点赞数
分类专栏： 深度学习宝典 文章标签： reid数据集 行人重识别数据集
于 2019-11-21 21:14:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jacke121/article/details/103190968
版权

行人重拾别 数据集 jacke121

数据集描述 Market-1501

行人重识别(ReID) ——数据集描述 Market-1501_gmHappy的博客-CSDN博客_market1501数据集

数据集描述 CUHK03

行人重识别(ReID) ——数据集描述 CUHK03_gmHappy的博客-CSDN博客_cuhk03

DukeMTMC 数据集

DukeMTMC 数据集是一个大规模标记的多目标多摄像机行人跟踪数据集。它提供了一个由 8 个同步摄像机记录的新型大型高清视频数据集，具有 7,000 多个单摄像机轨迹和超过 2,700 多个独立人物，DukeMTMC-reID 是 DukeMTMC 数据集的行人重识别子集，并且提供了人工标注的bounding box。

目录结构
DukeMTMC-reID
　　├── bounding_box_test
　　　　　　　├── 0002_c1_f0044158.jpg
　　　　　　　├── 3761_c6_f0183709.jpg
　　　　　　　├── 7139_c2_f0160815.jpg
　　├── bounding_box_train
　　　　　　　├── 0001_c2_f0046182.jpg
　　　　　　　├── 0008_c3_f0026318.jpg

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI算法网奇
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
行人重识别(ReID)基础知识入门
weixin_42538848的博客
12-30 3331
行人重识别（Person re-identification）主要目的是针对出现在监控摄像头内的某个目标行人，准确快速地从监控网络其他摄像头内的大量行人中将这个目标行人标识出来。如图所示一个区域有多个摄像头拍摄视频序列，ReID的要求对一个摄像头下感兴趣的行人，检索到该行人在其他摄像头下出现的所有图片。
人脸识别、行人ReID图像分割
05-27
Human parsing has been extensively studied recently (Yamaguchi et al. 2012; Xia et al. 2017) due to its wide applications in many important scenarios. Mainstream fashion parsing models (i.e., parsers) focus on parsing the high-resolution and clean images. However, directly applying the parsers trained on benchmarks of high-quality samples to a particular application scenario in the wild, e.g., a canteen, airport or workplace, often gives non-satisfactory performance due to domain shift. In this paper, we explore a new and challenging cross-domain human parsing problem: taking the benchmark dataset with extensive pixel-wise labeling as the source domain, how to obtain a satisfactory parser on a new target domain without requiring any additional manual labeling? To this end, we propose a novel and efficient crossdomain human parsing model to bridge the cross-domain differences in terms of visual appearance and environment conditions and fully exploit commonalities across domains. Our proposed model explicitly learns a feature compensation network, which is specialized for mitigating the cross-domain differences. A discriminative feature adversarial network is introduced to supervise the feature compensation to effectively reduces the discrepancy between feature distributions of two domains. Besides, our proposed model also introduces a structured label adversarial network to guide the parsing results of the target domain to follow the high-order relationships of the structured labels shared across domains. The proposed framework is end-to-end trainable, practical and scalable in real applications. Extensive experiments are conducted where LIP dataset is the source domain and 4 different datasets including surveillance videos, movies and runway shows without any annotations, are evaluated as target domains. The results consistently confirm data efficiency and performance advantages of the proposed method for the challenging cross-domain human parsing problem. Abstract—This paper presents a robust Joint Discriminative appearance model based Tracking method using online random forests and mid-level feature (superpixels). To achieve superpixel- wise discriminative ability, we propose a joint appearance model that consists of two random forest based models, i.e., the Background-Target discriminative Model (BTM) and Distractor- Target discriminative Model (DTM). More specifically, the BTM effectively learns discriminative information between the target object and background. In contrast, the DTM is used to suppress distracting superpixels which significantly improves the tracker’s robustness and alleviates the drifting problem. A novel online random forest regression algorithm is proposed to build the two models. The BTM and DTM are linearly combined into a joint model to compute a confidence map. Tracking results are estimated using the confidence map, where the position and scale of the target are estimated orderly. Furthermore, we design a model updating strategy to adapt the appearance changes over time by discarding degraded trees of the BTM and DTM and initializing new trees as replacements. We test the proposed tracking method on two large tracking benchmarks, the CVPR2013 tracking benchmark and VOT2014 tracking challenge. Experimental results show that the tracker runs at real-time speed and achieves favorable tracking performance compared with the state-of-the-art methods. The results also sug- gest that the DTM improves tracking performance significantly and plays an important role in robust tracking.
道路行人数据集汇总
u013679159的博客
03-03 5223
原链接：https://blog.csdn.net/weixin_38907560/article/details/81266462 1、Caltech Pedestrian Detection Benchmark http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/ 加州理工学院行人数据集包含大约10个小时的640x...
Re-ID数据集介绍
handsomem
07-28 2811
文章目录一、Market1501描述：目录结构命名规则：干扰数据集：二、DukeMTMC-reID描述目录结构命名规则:三、MSMT17_V2描述目录结构 一、Market1501 论文链接 描述： Market1501数据集示例图像。所有图像为128*64。(上)具有独特外观的行人(中)外观相似的行人(下)干扰图像和无用图像 共6台摄像机放在校园超市前面，其中包括5台1280*1080高清摄像机和1台720*576 SD摄像机，这些摄像头之间存在重叠，该数据集包含1306个行人的32668个包围框。
已经刷新了四大公开数据集纪录？吃一记新ReID数据集安利！
AI 数据库me
08-09 1176
为了采集原始监控视频，在一个月里选择了具有不同天气条件的4天。在了解上述几个知名的ReID数据集之后，相信大家会有一个直观的感受：针对ReID研究，现有开源数据的数量大概在几万张左右，而 ID 数量不足万人，摄像头大概在10个以下，且这些照片大部分都来自于学校，被采集人身份大部分是学生。在上述问题的基础上，已知ReID对人的服饰特征依赖较大，因此身高体重相似的人如果穿相同的衣服，比如学校学生都穿统一样式的校服，工人都穿特定工作服等，那么就会造成不同人的服饰特征非常相似，同样会给算法识别带来巨大干扰。...
ReID数据集
L1uminous的博客
05-25 906
ReID数据集
行人重识别数据集Market1501
01-22
行人重识别数据集Market1501
RegDB跨域行人重识别数据集
12-25
源自论文Nguyen Dat Tien, Hong Hyung Gil, Kim Ki Wan, et al. Person Recognition System Based on a Combination of Body Images from Visible Light and Thermal Cameras.. 2017, 17(3)
RegDB数据集-跨模态行人重识别
02-16
**跨模态行人重识别（Cross-modal Person Re-identification, CM-reID）是计算机视觉领域的一个重要课题，...通过不断优化算法，我们可以期待在未来实现更高效、准确的跨模态行人识别系统，为实际应用带来更大的便利。
行人重识别数据集(真实场景)
06-14
"2019_reid_mini"可能代表一个2019年发布的缩小版行人重识别数据集。通常，这类数据集会包含多个人员在不同时间、不同位置或不同摄像头下的多个视角图像。数据集通常分为训练集、验证集和测试集，以便于模型的训练、...
MIT行人检测数据集（史上最全）
02-06
麻省理工学院（MIT）行人数据集，最早的行人数据集之一，一共924张图片，其原始图片格式为PPM，此文件为转换后的JPG格式图片。目前MIT数据集已经不支持下载，你可以在这得到，该数据集包含png和jpg两种格式，完全满足你的要求
人体reid数据集
weixin_41012399的博客
01-04 717
bbox_train文件夹中，有625个子文件夹（代表着625个行人id），共包含了8298个小段轨迹（tracklets），总共包含509,914张图片。名称为00-1子文件夹表示无用的图片集，他们对应的行人id被设为**-1**，一般在算法中直接无视pid = -1的图片。同样地，在test_name.txt文件中，按照顺序存放bbox_test文件夹里所有图片的名称，一共有681,089行。0065表示的行人的id，也就是 bbox_train文件夹中对应的 0065子文件夹名；
行人重识别数据集
han jan的博客
09-22 2730
MARS：         行人重识别最大的视频数据集，由market1501扩充而成     包含1261个人的17,503tracklets 和3,248个干扰tracklets（false detect / track的序列）     由6个近乎同步的相机拍摄而成     分成625人的训练集和636人的测试集，multi-query和multi-ground truth     每个人平...
基于视频的ReID
Wayne2019的博客
01-01 6636
Region-based Quality Estimation Network for Large-scale Person Re-identification 最近集中刷一波视频分析的文章。 又是各帧的叠加，为了修补质量低的帧（从而由视频来获得对一个人更完整的印象或记忆？）。联想京东猪识别竞赛– 第二路将人体分区域。u， m， l represent the upper part,
MARS: 一个针对大尺度人的reid视频基准
计算机视觉
12-18 4850
MARS: A Video Benchmark for　Large-Scale Person Re-identification 下面是旷世的算法介绍：http://www.sohu.com/a/207091906_418390 (视频震撼) 一些博客对MARS的总结：https://blog.csdn.net/baidu_39622935/article/details/82867177 ...
行人重识别(ReID) ——数据集描述
温瞳
03-25 1008
我只是一个搬运工,在此感谢作者的贡献 1，Market https://blog.csdn.net/ctwy291314/article/details/83544088 2，CUHK03 https://blog.csdn.net/ctwy291314/article/details/83544210
超阿里、大华，澎思科技行人再识别（ReID）技术刷新三大数据集记录
AI科技大本营
07-08 4569
整理 | Jane出品 | AI科技大本营（ID：rgznai100）【导读】不久前，江苏省某市公安通过 AI 技术分析监控摄像头中的信息，抓获了一个偷盗电动车的嫌疑人员...
行人重识别基本介绍
热门推荐
qq_37747189的博客
11-07 1万+
行人重识别（ReID）基本介绍 前言 最近一段时间开始了深度学习领域的学习，但总是东看看西看看停留在表面。看过的东西很快就忘了，遇到不懂的地方也都就扔到了一边，鉴于学术和毕业上的压力，决定开始更新这个博客，一方面记录整理自己学过的东西，另一方面也为了督促自己每天都能够有所进步。 这篇文章是在学习罗浩老师发布在bilibili上的课程后进行的，对于那些准备进入行人重识别领域的小白来说，在这里推荐一下罗浩老师的课程。虽说发布时间已经是几年前了，有些框架或者知识已经更新，但仍是不可多得的入门材料。 b站浙江大学罗
监控视频的行人重识别系统
最新发布
04-08
本文主要探讨了"监控视频的行人重识别系统"的设计与实现，该系统是基于YOLO（You Only Look Once）算法和DukeMTMC-reID数据集构建的。作者针对监控场景中行人重识别的挑战，提出了一种有效的解决方案。 首先，系统...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值