VeRi

VeRi数据集是一个用于城市交通监控中车辆再识别的大型基准数据集。它包含超过50,000张776辆车辆的图像，这些图像由20个摄像头在24小时内覆盖1.0平方公里的区域拍摄。数据集中的图像在真实的无约束监控场景中捕获，并标注了多种属性，如边界框、类型、颜色和品牌。每辆车由2至18个不同视角、光照、分辨率和遮挡情况的摄像头捕获，提供了车辆再识别在实际监控环境中的高重复率。此外，数据集还标注了足够的牌照和时空信息，如牌照框、牌照字符串、车辆时间戳以及相邻摄像头之间的距离。The VeRi dataset is a large-scale benchmark dataset designed for vehicle re-identification in urban traffic surveillance. It comprises over 50,000 images of 776 vehicles, captured by 20 cameras over a 24-hour period within a 1.0 square kilometer area. The images in the dataset were collected in real-world, unconstrained surveillance scenarios and are annotated with various attributes such as bounding boxes, type, color, and brand. Each vehicle is captured by 2 to 18 cameras under different perspectives, lighting conditions, resolutions, and occlusion scenarios, providing a high repetition rate for vehicle re-identification in practical surveillance environments. Additionally, the dataset includes sufficient annotations of license plates and spatiotemporal information, such as license plate frames, license plate strings, vehicle timestamps, and the distances between adjacent cameras.

原始信息汇总

VeRi 数据集概述

数据集特性

• 规模：包含超过50,000张图像，涉及776辆车辆。
• 覆盖范围：由20个摄像头在24小时内覆盖1.0平方公里的区域。
• 场景：图像在真实世界的非约束监控场景中捕捉。
• 标注信息：车辆图像带有多种属性标注，包括边界框（BBoxes）、类型、颜色、品牌、车牌信息（BBoxes of plates, plate strings）、时间戳和摄像头间距离。
• 视角多样性：每辆车被2至18个不同视角、光照、分辨率和遮挡情况的摄像头捕捉。

数据集用途

• 主要用于车辆再识别（Re-Id）研究，支持复杂模型的学习和评估。

数据集下载

• 数据集根据请求提供，需通过电子邮件联系（xinchenliu at bupt dot cn）并提供全名和机构信息，确保非商业用途。

引用信息

• 使用该数据集需引用以下论文：
  • Xinchen Liu, Wu Liu, Huadong Ma, Huiyuan Fu: Large-scale vehicle re-identification in urban surveillance videos. ICME 2016: 1-6.
  • Xinchen Liu, Wu Liu, Tao Mei, Huadong Ma: A Deep Learning-Based Approach to Progressive Vehicle Re-identification for Urban Surveillance. ECCV (2) 2016: 869-884.
  • Xinchen Liu, Wu Liu, Tao Mei, Huadong Ma: PROVID: Progressive and Multimodal Vehicle Reidentification for Large-Scale Urban Surveillance. IEEE Trans. Multimedia 20(3): 645-658 (2018).

相关工具和模型

• FastReID工具箱支持VeRi数据集，提供强大的模型支持。

数据集性能指标

• 提供了多个参考文献在VeRi数据集上的mAP、Rank-1、Rank-5性能指标，展示了数据集在不同年份的研究进展。

搜集汇总

数据集介绍

构建方式

为了推动车辆再识别（Re-Id）领域的研究，研究团队构建了一个大规模的基准数据集，名为VeRi。该数据集包含超过50,000张车辆图像，涵盖了776辆车辆，这些图像由20个摄像头在24小时内拍摄，覆盖了1.0平方公里的城市监控区域。图像在真实世界的不受约束监控场景中捕获，并带有多种属性标注，如边界框、车辆类型、颜色和品牌。此外，每辆车在不同视角、光照条件、分辨率和遮挡情况下被2至18个摄像头捕捉，确保了数据集在实际监控环境中的高重复率。

特点

VeRi数据集的显著特点在于其大规模性和多样性。数据集不仅包含了丰富的车辆图像，还提供了详细的属性标注，如车牌的边界框、车牌字符、时间戳以及相邻摄像头之间的距离信息。这些标注为复杂模型的训练和评估提供了坚实的基础。此外，数据集中的图像在视角、光照和分辨率等方面表现出极大的多样性，使得模型能够在多变的实际环境中进行有效的车辆再识别。

使用方法

VeRi数据集主要用于车辆再识别及相关研究。研究者可以通过电子邮件向数据集的联系人申请获取数据集，申请时需提供全名和所属机构信息，以确保数据仅用于非商业目的。获取数据后，研究者可以利用该数据集训练和评估车辆再识别模型。此外，FastReID工具箱已支持VeRi数据集，并提供了强大的模型支持，研究者可以参考相关代码和模型进行进一步的研究和开发。

背景与挑战

背景概述

VeRi数据集由北京邮电大学等机构的研究人员于2016年创建，旨在推动车辆再识别（Vehicle Re-Id）领域的研究。该数据集包含了超过50,000张来自776辆车辆的图像，这些图像由20个摄像头在1.0平方公里的城市监控场景中24小时内捕捉。VeRi数据集不仅提供了丰富的车辆图像，还标注了多种属性，如车辆类型、颜色、品牌、车牌信息以及时空信息，使得复杂的车辆再识别模型得以训练和评估。该数据集的发布极大地促进了车辆再识别技术的发展，尤其是在城市监控和智能交通系统中的应用。

当前挑战

VeRi数据集在构建过程中面临了多重挑战。首先，如何在真实世界的不受控监控场景中捕捉到高质量的车辆图像，并确保图像的多样性和复杂性，是一个巨大的挑战。其次，标注大量车辆的属性信息，如车牌、类型、颜色等，需要耗费大量的人力和时间。此外，车辆在不同视角、光照条件、分辨率和遮挡情况下的再识别问题，也是该领域研究的核心难点。这些挑战不仅推动了车辆再识别技术的进步，也为相关领域的研究提供了宝贵的数据资源。

常用场景

经典使用场景

VeRi数据集在车辆重识别（Vehicle Re-Identification, Re-Id）领域中具有经典的使用场景。该数据集通过包含超过50,000张来自776辆车的图像，这些图像由20个摄像头在24小时内覆盖1.0平方公里的区域捕获，提供了丰富的多视角、光照、分辨率和遮挡条件下的车辆图像。这种多样性使得VeRi数据集成为训练和评估车辆重识别模型的理想选择，尤其是在实际的城市监控环境中。

衍生相关工作

VeRi数据集的发布催生了大量相关的经典工作。许多研究者基于该数据集提出了多种深度学习模型，如基于多模态特征的车辆重识别方法、时空正则化的车辆重识别模型等。此外，VeRi数据集还激发了其他相关数据集的创建，如MVP（Multi-grained Vehicle Parsing）数据集，进一步推动了车辆解析和重识别领域的研究。这些工作不仅提升了车辆重识别的准确性，还为其他计算机视觉任务提供了新的思路。

数据集最近研究

最新研究方向

在车辆再识别（Vehicle Re-Identification, Re-Id）领域，VeRi数据集因其大规模、多视角、多属性的特点，成为研究的核心基准之一。近年来，研究者们致力于提升模型在复杂城市监控环境中的鲁棒性和准确性。前沿研究方向包括利用深度学习技术，如Transformer架构，进行跨视角和跨时间的多模态特征融合，以提高车辆再识别的精度。此外，结合时空信息和多任务学习策略，研究者们探索了如何在高度动态和多变的监控场景中实现更高效的再识别。这些研究不仅推动了车辆再识别技术的发展，也为智能交通系统、城市安全监控等领域提供了重要的技术支持。