VERI-狂野

VERI-Wild：大型数据集和野外车辆重新识别的新方法

VERI-Wild 数据集的描述

野外大规模车辆重识别数据集（VERI-Wild）是在不受约束的场景下，从由 174 个摄像机组成的大型闭路电视监控系统在一个月（30*24 小时）内捕获的。摄像机分布在200多平方公里的大城市区域。 YOLO-v2 [2] 用于检测车辆的边界框。原始车辆图像集包含1200万张车辆图像，邀请11名志愿者对数据集进行为期1个月的清理。经过数据清洗和标注，收集到40,671个身份的416,314张车辆图像。 VERI-Wild 的统计数据如图所示。出于隐私问题，车牌在数据集中被屏蔽。 VERI-Wild的显着特点概括为以下几个方面：

Unconstrained capture conditions in the wild VERI-Wild 数据集是从由 174 个监控摄像机组成的真实闭路电视摄像机系统收集的，其中无约束的图像捕捉条件带来了各种挑战。

Complex capture conditions 174个监控摄像头分布在200多平方公里的城区，呈现出各种背景、分辨率、视点、野外遮挡等情况。在极端情况下，一辆车会出现在 40 多个不同的摄像头中，这对 ReID 算法来说是一个挑战。

Large time span involving severe illumination and weather changes VERI-Wild 是从 125、280 (174x24x30) 小时的视频中收集的。图(b)给出了30天内24小时上午、中午、下午、晚上4个时段的车辆分布情况。 VERI-Wild还包含恶劣的天气条件，例如下雨、有雾等，这是以前的数据集中没有提供的。

Rich Context Information我们提供丰富的上下文信息，例如摄像机ID、时间戳、摄像机之间的跟踪关系，这些信息有可能促进摄像机网络中行为分析的研究，例如车辆行为建模、跨摄像机跟踪和基于图的检索。

测试

重要的！！！！！！！！！

请注意，对于 VERI-Wild 测试集，给定查询图像，您需要删除图库集中与查询图像具有相同相机 id 和相同车辆 id 的图像。计算 mAP 和 CMC 时不考虑它们。

引文

 @inproceedings{lou2019large,
 title={VERI-Wild: A Large Dataset and a New Method for Vehicle Re-Identification in the Wild},
 author={Lou, Yihang and Bai, Yan and Liu, Jun and Wang, Shiqi and Duan, Ling-Yu},
 booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
 pages = {3235--3243},
 year={2019}
}

 @inproceedings{lou2019large,
 title={Disentangled Feature Learning Network and a Comprehensive Benchmark for Vehicle Re-Identification},
 author={Bai, Yan and Liu, Jun and Lou, Yihang and Wang, Ce and Duan, Ling-Yu},
 booktitle={In IEEE Transactions on Pattern Analysis and Machine Intelligence},
 year={2021}
}

接触器

白彦，Email：[email protected]

为了鼓励相关研究，我们将根据您的要求提供数据集。请将您的全名和单位通过电子邮件发送给联系人（yanbai at pku dot edu dot cn）。我们要求您提供信息只是为了确保数据集用于非商业目的。我们不会将其提供给任何第三方或在任何地方公开发布。由于隐私问题，我们将来不会提供车牌。如果您下载我们的数据集，则意味着您已同意我们电子邮件中的访问条款。

Veri-Wild 数据集的最新结果

方法	小的			中等的			大的
	地图	前1名	前5名	地图	前1名	前5名	地图	前1名	前5名
谷歌网络[1]	24.27	57.16	75.13	24.15	53.16	71.1	21.53	44.61	63.55
FDA-Net(VGGM)[2]	35.11	64.03	82.80	29.80	57.82	78.34	22.78	49.43	70.48
MLSL[3]	46.32	-	-	42.37	-	-	36.61	-	-
三元组(Resnet50)	58.43	65.76	86.98	49.72	57.76	80.86	38.57	47.65	71.66
FDA-Net(Resnet50)[2]	61.57	73.62	91.23	52.69	64.29	85.39	45.78	58.76	80.97
AAVER(Resnet50)[4]	62.23	75.80	92.70	53.66	68.24	88.88	41.68	58.69	81.59
DFLNet(Resnet50)[5]	68.21	80.68	93.24	60.07	70.67	89.25	49.02	61.60	82.73
BS(移动网络)[6]	70.54	84.17	95.30	62.83	78.22	93.06	51.63	69.99	88.45
UMTS(Resnet50)[7]	72.7	84.5	-	66.1	79.3	-	54.2	72.8	-
强基线(Resnet50)[8]	76.61	90.83	97.29	70.11	87.45	95.24	61.3	82.58	92.73
HPGN(Resnet50+PGN)[9]	80.42	91.37	-	75.17	88.21	-	65.04	82.68	-
魅力(Resnet50+PGN)[10]	77.15	92.13	97.43	-	-	-	-	-	-
PVEN(Resnet50)[12]	79.8	94.01	98.06	73.9	92.03	97.15	66.2	88.62	95.31
保存器(Resnet50)[11]	80.9	93.78	97.93	75.3	92.7	97.48	67.7	89.5	95.8
DFNet(Resnet50)[14]	83.09	94.79	98.05	77.27	93.22	97.46	69.85	89.38	96.03

VeRi-Wild 2.0 数据集的最新结果

方法	全部测试集			测试装置A			测试集B
	地图	前1名	前5名	地图	前1名	前5名	地图	前1名	前5名
强基线 (Resnet50) [8]	34.71	54.37	63.99	32.75	40.12	52.18	42.25	82.72	90.67
GSTE (Resnet50)（带技巧包）[13]	32.57	59.25	64.48	33.01	47.54	50.81	41.82	86.08	91.43
FDA-Net (Resnet50)（带有技巧包）[2]	34.21	57.32	64.90	34.63	45.53	52.77	3.93	84.78	92.47
曾经（Resnet50）[41]	36.8	59.1	67.6	36.8	48.7	57.3	45.4	86.1	94.3
PVEN(Resnet50)[12]	37.15	61.19	68.63	38.77	51.28	59.32	45.48	88.05	94.35
保存器(Resnet50)[11]	38.0	62.1	69.50	39.2	52.3	60.2	45.1	88.1	94.1
DFNet(Resnet50)[14]	39.84	62.21	68.90	40.39	51.68	60.51	46.13	88.56	94.17