平台新增10种人体相关数据集，这些你知道吗？

平台的数据集版块，共有117个不同类别，不同应用的数据集。
本周在此基础上，又增加了10种人体相关的各类数据集，目前总共有127个。

人群密度方面

（1）RGBT Crowd Counting (CVPR 2021)
数据集图片：

数据集简介：
人群计数是一项基本但又十分具有挑战性的视觉任务，它需要丰富的信息来生成像素级别的人群密度图。
在这项工作中，我们发现，融合光学信息和热感信息可以极大地提升人群计数性能。
为了进一步促进多模式人群计数的研究，提出了一种跨模态协同表征学习框架，该框架在RGBT人群计数和RGBD人群计数上均取得出色的性能 。
数据集数量：
大型RGBT人群计数基准，该基准包含2,030对光学/热感图像，总共标注了138,389位行人。
数据集功能：人群密度
数据集链接：点击查看

人体姿态识别方面

（1）Drive&Act dataset
数据集图片：

数据集简介：
Drive＆Act数据集是最先进的多模式基准测试，可用于车辆行驶中人体的动作识别。
数据集数量：
① 主要包括29小时长序列中的12小时视频数据
② 具有5个视图的经过校准的多视图相机系统
③ 多模式视频：NIR，深度和颜色数据
④ 无标记动作捕捉：3D身体姿势和头部姿势
数据集功能：姿态识别
数据集链接：点击查看

（2）Occlusion_person 3D人体姿态数据集
数据集图片：

数据集简介：
Occlusion_person数据集是具有详细遮挡标签的，多视图3D人体姿势估计数据集。
数据集中将十三种不同衣服的人体模型放置在九个不同的场景中，例如客厅，卧室和办公室。
人体模型由从CMU Motion Capture数据库中选择的姿势驱动。我们故意使用诸如沙发和书桌之类的物体遮挡某些身体关节。
每个场景中放置了八台摄像机，以渲染多视图图像和深度图。我们提供15个关节的3D位置作为地面真实情况。
数据集数量：

数据集功能：人体姿态识别
数据集链接：点击查看

（3）KTH多视图足球运动员数据集
数据集图片：

数据集简介：
KTH数据集，包含对关节标注的足球运动员数据集，可用于多视图重建。
数据集数量：
数据集中包含足球运动员的771张图像，在257个时间实例中，从3个视图进行拍摄，对14个身体关节的标注信息。
数据集功能：姿态识别
数据集链接：点击查看

人体检测方面

（1）Tsinghua-Daimler Cyclist 数据集
数据集图片：

数据集简介：
The Tsinghua-Daimler Cyclist 数据集为自行车手检测提供了基准数据集。为类别提供基于边界框的标签：（“行人”，“骑车人”，“摩托车手”，“三轮车”，“轮椅使用者”，“助力车”）。
数据集数量：
数据集由4个子集组成：
训练集包含9741幅图像，仅带有针对“骑自行车人”的标注。此处仅标记完全可见（遮挡率<10％）且像素大于60的骑单车者。
验证集包含019张图像，标签为（“行人”，“骑车人”，“摩托车手”，“三轮车人”，“轮椅使用者”，“助力车”）。此处仅标记了高于20像素的对象。
测试集包含2914张图像，标签为（“行人”，“骑自行车的人”，“摩托车手”，“三轮车”，“轮椅使用者”，“助力车”）。
NonVRU 1000图像，其中不存在感兴趣的对象（“行人”，“骑自行车的人”，“摩托车手”，“三轮车”，“轮椅使用者”，“助力踏板车”）。
数据集功能：人体检测
数据集链接：点击查看

（2）KMU SPC 红外行人检测数据集
数据集图片：

数据集简介：
KMU数据集是从移动的车辆，捕获行人检测的数据集。因此，为了评估该算法的性能，我们在改变行人速度和活动性的同时，捕获了三种FIR视频序列，共13个。
数据集数量：
KMU数据集中的行人身高范围为155至175cm，室外温度约为30℃°C。
★ I型：七个FIR视频序列，其中包含以20至30 km/h速度行驶的行人。
★ II型：三个FIR视频序列，其中包含以20 km/h速度行驶的行人。
★ III型：两个FIR视频序列，包含以20 km/h的速度行驶在弯曲人行道和道路上的行人。
数据集功能：红外图像中的行人检测
数据集链接：点击查看

目标追踪方面

（1）KMU 行人追踪数据集
数据集图片：

数据集简介：
KMU数据集由安装在车顶前部的热像仪采集，将夏季夜间的KMU-SPC数据集和冬季夜间的附加跟踪数据相结合，利用FIR摄像机制作了KMU跟踪数据集。
数据集功能：目标追踪
数据集链接：点击查看

（2）MOT Challenge多目标追踪基准
数据集图片：

数据集简介：
MOT Challenge是一个公平评估多人跟踪算法的框架，此框架包括：
（1）大量的数据集，其中一些已经在使用中以及一些新的具有挑战性的序列！
（2）对所有图片的检测信息
（3）一个通用的评估工具，提供了从召回到精确度再到运行时间的多种测量方法。
（4）一种比较最新跟踪方法性能的简便方法。
数据集数量：
框架中包含多种检测和追踪数据集，可以根据自己的需要进行下载
数据集功能：目标追踪
数据集链接：点击查看

动作识别方面

（1）FineGym数据集
数据集图片：

数据集简介：
FineGym数据集是基于细粒度动作理解的层次化视频数据集，主要为了动作识别领域的研究需要。
由港中大开发的大规模、高质量的动作细粒度识别数据集。数据集在动作和子动作两个层次上实现标注，具有三个层次的语义，具有多个不同层次的语义。
数据集数量：
FineGym 收集了体操领域 10 种不同的事件类别（男子六种+女子四种），共三百多场专业比赛。
我们对女子的四种事件（女子跳马，女子平衡木，女子自由体操和女子高低杠）进行了「3+2」的细粒度标注。
基于这四种事件类别，FineGym 定义和筛选了 15 个组类别，并由此进一步定义了 530 种不同的元素类别，其中共 354 类目具有子动作数据，这种情况源自于体操动作本身使用的不均衡性。
数据集功能：动作识别
数据集链接：点击查看

（2）Charades数据集
数据集图片：

数据集简介：
Charades是一个对日常人类活动的非结构化视频活动识别，和常识推理进行研究的数据集。
由9848个日常室内活动视频组成的数据集，向267个不同的用户显示了一个句子，其中包括来自固定词汇表的对象和动作，然后他们录制了一个视频，将该句子中的人物表演出来。
数据集数量：
数据集包含157个动作类别的66500个时间注释，46个物体类别的41104个标签以及视频的27847个文本描述。
数据集功能：动作识别
数据集链接：点击查看