难度炸裂！DeepChange：一个新的超大规模的换衣行人再识别数据集

传统的行人再识别限定了研究范围是短时范围的再识别（short-term re-id），即假设数据集中的行人的衣服不会发生变化。近年来，可换衣的行人再识别研究引起了学者的兴趣，其关注长时间范围内的再识别（long-term re-id），即允许数据集中的行人更换衣服。

可换衣的行人再识别更加贴近实际应用场景，更具有挑战性，逐渐成为了行人再识别领域的研究热点之一。然而，可换衣行人再识别作为一个相对新兴的研究子社区，虽已经有了一些数据集，但仍急缺一个大规模的且公开的数据集。

今天跟大家分享的数据集公布于2021年5月，叫做“DeepChange”，作者来自牛津大学。

• 论文链接：https://arxiv.org/abs/2105.14685
• 项目链接：https://github.com/PengBoXiangShang/deepchange（含下载方式）

该数据集的特点主要有：

长时间跨度

DeepChange数据集包含了12个月（应该是目前最长时间跨度的了）的监控数据，涵盖了春夏秋冬四个季节的服装发型和行为变化（包含跨分钟、跨天、跨月、跨季节）。论文称，整个数据采集过程跨越了两年时间。

复杂监控环境所带来的多样性

该数据集采集于一个真实的大型监控系统，不含有合成数据。该监控系统分布在一个面积约14公顷的开放街区。

★行人身份和服装多样性

含有广泛的年龄和职业范围，例如，哺乳婴儿，青年人，老人，工人，学生，送货人，宗教人士，含有丰富的行人服装和行为动作（含日常活动，工作，休闲等）。

★摄像头和环境多样性

摄像头可捕获丰富的场景，包括街道、商店、餐馆、建筑工地、住宅建筑、体育活动区、停车场、人烟稀少的角落等。摄像头的位置高度约为3到6米，摄像头含多种分辨率和丰富的视角。

★季节、天气、光照、遮挡等方面的多样性

数据含有春夏秋冬四季，含晴天，阴天，刮风，下雨，下雪等天气，也包含夏季高温和冬季极寒等极端天气。含有从清晨天亮到傍晚天黑等全天各个时段的镜头，具有丰富的光照变化。

数据规模超大

17个监控摄像头（多种分辨率），1121个person ID，17万余个bbox，时间覆盖12个月，这几项主要指标，均是目前该领域数据集中的最大值。

与其他数据集的统计比较：

不同算法在该数据集上使用单模态测试结果：

不同算法在该数据集上使用多模态测试结果：

可见，主流算法在该数据集上的精度还是很低的。

数据集中同一主体各种变化下的图片示例：

研究智能监控的学者们快去试试看吧！

https://github.com/PengBoXiangShang/deepchange