行人重识别自制数据集划分

于 2024-05-28 13:14:43 发布
阅读量326 收藏 10
点赞数 5
文章标签： 深度学习 人工智能
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/rosieb/article/details/139262980
版权

1、尝试：每个ID的20%的图片划分到query.txt中，其余80%划分到gallery.txt中。

2、 
 DeepReID: Deep Filter Pairing Neural Network for Person Re-Identification

ID:1360 ，训练集 1160 个，验证集 100 个，测试集 100 个。测试协议是 single-shot setting，即每个行人在 gallery 里只有一张图片。重复执行了 20 次上述随机划分。

3、Re-ranking person re-identification with k-reciprocal encoding

ID：1467 ，训练集中有 767 个行人，测试集中有 700 个行人。测试协议是multi-shot ，每个行人在 gallery 集中有多张图片。随机选取一张图片，构成 query 集，不同于旧的测试协议，新的测试协议只执行一次训练集/测试集划分。

4、Scalable person re-identification: A benchmark

行人图片采集自清华大学校园的6个摄像头(其中有5个高清摄像头和1个低分辨率摄像头)，一共标注了1501个不同身份的行人，通过DPM检测器生成行人检测框，共32668张图像。训练集中包含12936张行人图像，对应751个不同身份的行人;测试集中包含19732张图像，对应750个不同身份的行人。另外，该数据集分别从6个摄像头对应的测试集中为每个行人选取一张图像构成查询图像集，包含3368张query图片，这些图片的行人检测框由人工裁剪得到，以保证检索目标的正确性。之后，为了模拟大规模检索，加入了约50万幅干扰图像，包含了失败的检测框、不在测试集当中的行人等，使该数据集更贴近真实场景。
 

5、DukeMTMC4ReID: A Large-Scale Multi-Camera Person Re-Identification Dataset

Duke大学在2017年发布的行人重识别数据集。行人图片由8个高清摄像头采集，包括1812个不同身份的行人，共36411张图片，其中至少在两个以上摄像头中出现的行人有1404人，只在一个摄像头中出现的行人有408人。训练集中包含了来自出现在多摄像头中的702个行人的16522张图片，测试集中包含出现在多摄像头中的另外702个行人和只出现在单摄像头中的408个行人的17661张图片，查询图像集包含2228张图像。query分法为取其中一个摄像头的图像作为query。

6、Person re-identification by contour sketch under moderate clothing change

包含211个行人的33 698张室内环境下的图像，每个人平均图像数量约为152张，作者没有提到具体的数据集划分方法。

7、DukeMTMC4ReID: A Large-Scale Multi-Camera Person Re-Identification Dataset

包含 4,101 个身份，共 126,441 张图像。训练集和测试集是由不同的摄像头采集的图像组成。测试集包含多种不同的场景，包括户外和室内。将数据集中的图像分为训练集和测试集。在测试集中，将一部分身份作为查询身份，另一部分作为图库身份。通常的做法是使用随机划分或者按照相机视角划分。

诺姆紫
关注
行人检测数据集（人体上半身，数量7000+）
04-23
基于CUHK行人检测数据集制作的人头数据集，7000+正样本 ，该数据集大小为60*60，可用于Hog特征提取，进一步用于训练人体分类模型用于监控系统中的行人检测。
行人重识别(10)——代码实践之数据处理器（transform.py）
R.I.P Kobe Bryant
12-25 801
介绍数据处理器（transform.py）的作用、编写思路与python代码。
行人重识别Person_reid_baseline_pytorch训练及数据集制作流程
yjcccccc的博客
03-27 2392
目前基于Person_reid_baseline_pytorch的教程更多的是关于如何run起来这个工程，但如果想应用到其他细分项目上的教程比较少，数据集较为单一，且命令和格式复杂，所以本文将详细描述如何制作自建的数据集并选择不同的backbone进行训练（因为ResNet-50难以应用于落地）。
行人重识别简介+数据集+核心论文点
热门推荐
DRACOYU的博客
11-12 1万+
  1、行人重识别是什么？ 行人重识别（Person re-identification）也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。 给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合 ，可广泛应用于智能视频监控、智能安保等领域。         行人...
行人重识别
zhongrui1984的专栏
01-29 1410
行人重识别（Person re-identification）也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。 由于不同摄像设备之间的差异，同时行人兼具刚性和柔性的特性 ，外观易受穿着、尺度、遮挡、姿态和视角等影响，使得行人重识别成为计算机视觉领域中一个既具有研究价值同时又极具挑战性
行人检测0-05：LFFD-行人训练数据制作以及训练
江南才尽江南山，年少无知年少狂！
10-17 2032
东西df
行人行为检测：数据集自建方法 （须知你做的事情前人多多少少都做过，使用迅雷下载Kaggle 数据集）
shiter编写程序的艺术
04-24 618
行为检测数据集自建方法
Mars视频行人重识别数据集
最新发布
05-26
整个Mars数据的大小大概有6.3G，有两个名称为...同时你还应该下载一个关于数据集信息的info文件夹。info文件夹不包括在原始数据集中，下载地址为https://github.com/liangzheng06/MARS-evaluation/tree/master/info。
行人重识别数据集-Market-1501
11-29
该数据集提供训练集和测试集，总共包括拍摄到的1501个行人、32668个检测到的行人矩形框。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。训练集有751人，包含12936张图像，平均每个人有17.2张...
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)
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
行人的数据集(1000+图片).zip
03-12
VOC格式标注行人的数据集+1000 person picture，可用作训练模型和测试模型，train，test，val，person.names,person.data
行人分割DPM
10-02
行人分割效果很棒，亲测非常有效，是Matlab版本~
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.
行人重识别数据集Market1501
01-22
行人重识别数据集Market1501
YOLO车辆行人四类别识别数据集
04-22
1、YOLO车辆行人四类别识别数据集，目标类别为person、car、bus、truck 共4个类别，4000多张行人车辆检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、数据集和检测结果参考：...
[人体图像相关技术] -（二）行人检测数据集 - 介绍（含人像分割数据集）
iamfishman
09-11 1万+
我公司的科室开始在公众号上规划一些对外的技术文章了，包括实战项目、模型优化、端侧部署和一些深度学习任务基础知识，而我负责人体图象相关技术这一系列文章。 文章在同步发布至公众号和博客，顺带做一波宣传。有兴趣的还可以扫码加入我们的群。 （文章有写的不好的地方请见谅，另外有啥错误的地方也请大家帮忙指出。） 微信公众号：AI炼丹术 技术交流群可以从公众号上获取，可以备注是咸鱼的博客上来的。???? 行人检测数据集 - 介绍 一、目标检测 - 行人数据集 1. INRIA Person Dataset 静态行人数据
行人重识别分类总结
t20134297的博客
06-09 1513
一．总体说明 行人重识别，可以简化为这样的过程：将原始图片数据进行特征提取，之后送入目标函数并对其进行优化。这个过程涉及三个重要部分：数据、特征、目标函数。因此将REID方法，根据研究的关注点，分为三类。分别别是基于数据的研究、基于特征的研究和基于目标函数的研究。 我们定义：行人重识别的目的是在某个数据集上进行测试时，使得性能尽量的好。（rank 1 , mAP） 分类如下： 1 数据：指真实意义上的图片images，分类依据是研究侧重点在数据的准备上 2 特征：指经过CNN后...
人像分割数据集
qq_41994173的博客
07-29 2325
部分人像分割数据集用于语义分割模型训练和微调。
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
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