行人重识别自制数据集划分

最新推荐文章于 2025-10-29 16:12:07 发布

原创

最新推荐文章于 2025-10-29 16:12:07 发布 · 603 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能

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、

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

诺姆紫

关注关注

5
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

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

921

行为检测数据集自建方法

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

3195

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）。

参与评论您还未登录，请先登录后发表或查看评论

行人重识别分类总结

t20134297的博客

06-09

1670

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...

深度学习视角下的图像分割

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...

目标分割-行人分割数据集-1000张图+YOLO格式分割标注+YOLO11seg一键训练脚本

06-18

● 数据集介绍：行人分割数据集，真实场景高质量图片数据； ● 适用实际项目应用：行人分割项目，以及作为通用分割数据集场景数据的补充； ● 数据集类别：person； ● 标注说明：采用 YOLO 格式标注分割区域 (class-index> <x1> <y1> <x2> <y2> ... <xn> <yn>)，标注质量高，可以直接用于如 YOLOSeg 的算法训练； ● 附赠训练示例：提供 YOLO11Seg 一键训练脚本，提供博主训练结果日志供参考；

高铁站监控数据集：行人排队检测与Yolo标注

资源摘要信息:"三七出品--自制国内监控视角下行人排队检测数据集"是一个专门针对行人检测设计的数据集，适合用于开发和训练行人检测系统，尤其是基于Yolo目标检测网络的系统。该数据集包含了从某高铁站监控视角拍摄...

无人机视角小目标检测数据集发布：包含多种格式标签与增强脚本

资源摘要信息:"自制无人机视角小目标车辆行人检测数据集包含548张图片，以及相应的标注信息，适用于目标检测领域的研究与开发。数据集通过无人机进行拍摄，背景多样，包含多种交通工具和行人等类别。数据集未经过...

YOLOv8数据集深度解析：推动多领域目标检测技术革新

此外，还介绍了如何自制数据集，例如通过网络爬虫收集图片资源、使用图像标注工具标注目标物体、以及进行数据增强等方法来丰富和完善数据集。模型训练前的环境配置和数据集划分为了顺利进行模型训练，需要配置...

人像分割数据集

qq_41994173的博客

07-29

2616

部分人像分割数据集用于语义分割模型训练和微调。

自动驾驶数据集下载！检测/分割/车道线/交标/车牌/行人识别等

CV_Autobot的博客

07-24

2659

点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取整理了一些日常工作使用的数据集，主要包括行人检测、通用目标检测、车辆检测、分割数据、车牌、红绿灯、车道线、斑马线、交通标志牌、人脸、ReID以及自动驾驶其它相关数据集；1行人检测1.Cityperson行人检测数据集2.CrowdHuman密集行人检测公众号【自动驾驶之心】后台回复“行人检测数据”获取网盘链...

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~

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

自制人脸识别高清数据集（包括图片和标记文件）

07-11

人工智能的课程设计，自己制作的数据集，使用过该数据集通过yolo-v5模型进行人脸识别，图片都比较清楚，包括图片和标注文件（使用labellmg工具标注），可用于中小型的人脸识别的模型训练。

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。

基于Mxnet的车辆重识别（Re-ID）之数据集处理（以VeRi为例）

Chen_yuazzy的博客

04-12

3741

1.mxnet的输入数据解释：       mxnet的数据输入与其他的框架诸如tensorflow,pytorch不同，其特别之处在于：不直接输入图片，而是输入rec文件。       rec文件是什么？rec文件内存放了每一张图片的data以及对应的label，相当于将所有图...

AI人工智能数据集系列—《5000人Re-id行人重识别数据集》

weixin_55551028的博客

08-16

276

景联文科技成品数据集包含200TB计算机视觉数据，8万小时多语种语音识别数据，6000万条自然语言理解数据，涵盖自动驾驶、智能安防、智能家居、智能互联网、智慧金融等主要行业应用场景。

行人重识别

zhongrui1984的专栏

01-29

1614

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

Market-1501数据集：清华校园行人重识别研究

Market-1501数据集是在行人重识别领域内广泛使用的一个基准数据集，由清华大学所采集。该数据集在多个摄像头的监控录像中捕捉到行人的图像，并对这些图像进行了详细的标注，目的是为了帮助研究者训练和测试行人重...