Advertisement

RegDB数据集用于行人再识别。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
该RegDB数据集专门为行人再识别任务而设计，旨在提供一个高质量的资源用于提升相关算法的性能。它包含大量的人行图像，并针对再识别场景进行了精心构建和标注，从而能够有效地支持研究人员和开发者在行人识别领域进行更深入的研究和应用探索。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • RegDB行人再识别数据集
    优质
    RegDB行人再识别数据集是一个专门设计用于评估和比较不同行人重识别算法性能的数据集合，包含大量多视角、跨场景的行人图像。 用于行人再识别的RegDB数据集。
     
  • RegDB跨域行人再识别数据集
    优质
    RegDB跨域行人再识别数据集是一款旨在解决不同场景下行人重识别问题的数据集合，包含大量跨域图像，助力研究者开发更高效的行人检索算法。 Nguyen Dat Tien, Hong Hyung Gil, Kim Ki Wan等人在2017年第17卷第3期发表了一篇关于基于可见光和热像仪身体图像组合的人脸识别系统的论文。
     
  • RegDB数据集——跨模态行人再识别
    优质
    简介：RegDB数据集是专为跨模态行人再识别设计的研究资源，包含多种光照、姿态变化下的图像和视频数据，旨在促进不同传感器间的人体匹配技术发展。 该数据集由两个对准的摄像头（一个可见光摄像头和一个远红外摄像头）收集而成。总共有412名参与者，每个人都有10张可见光图像和10张远红外图像。
     
  • RegDB数据集——跨模态行人重识别
    优质
    简介：RegDB数据集是专为跨模态行人重识别设计的研究资源，包含大量不同环境下的人体图像和视频片段，旨在推动该领域算法的发展与应用。 跨模态行人重识别数据集通常使用可见光和红外图像作为常用的数据集。
     
  • RegDB跨领域行人重识别数据集
    优质
    RegDB跨领域行人重识别数据集是一套用于评估不同环境下行人图像匹配与识别性能的重要资源，涵盖多种光照、姿态变化场景。 Nguyen Dat Tien, Hong Hyung Gil, Kim Ki Wan 等人在2017年发表了一篇关于基于可见光和热成像身体图像组合的人脸识别系统的论文，该论文刊登在第17卷第3期上。
     
  • 行人重识别的数据集：RegDB与SYSU-MM01
    优质
    简介：本文探讨了行人重识别领域中的两个重要数据集——RegDB和SYSU-MM01，详细分析了它们的特点、规模及应用价值。 行人重识别数据集包括RegDB和SYSU-MM01。
     
  • 行人再识别
    优质
    行人再识别是一种计算机视觉技术，用于在不同摄像机视角下识别和匹配同一个人，广泛应用于智能监控、零售分析等领域。 利用Top-Push方法实现了行人重识别，参考文献为《Top-push Video-based PersonRe-identification》。实现过程中对部分代码进行了加密处理。
     
  • USC行人识别数据集
    优质
    USC行人识别数据集是由美国南加州大学开发的一个大型图像数据库，包含多样化的行人图片和视频片段，旨在促进行人检测与识别的研究。 USC行人数据集是一个用于行人检测的资源。由于官网下载较为复杂，这里提供一份可以直接使用的版本。如果有任何问题，请通过评论或私信联系我，我会尽力解决。谢谢。
     
  • RegDB数据集.zip
    优质
    RegDB数据集包含大规模面部图像及对应的属性标签，旨在促进人脸识别与分析领域的研究进展。该数据集适用于训练和测试相关算法模型。 RegDB数据集包含412个身份的8240张图像，其中206个身份用于训练，其余用于测试。每个身份包括10张红外（IR）图像和10张RGB图像。
     
  • 行人再识别——评估准则
    优质
    行人再识别技术旨在通过计算机视觉手段识别人在不同摄像头下的身份。本文章将重点介绍该领域内的各种评估准则与指标，帮助读者理解并优化行人再识别系统的性能。 行人重识别的评价指标包括Rank-n, CMCPrecision & Recall, mAP, 和mINP。 **Rank-n**: 在查询前n个结果中出现正确目标的概率。 例如，假设标签为m1，在一个包含100个样本的数据集中进行搜索： - 如果检索到的结果顺序是m1、m2、m3、m4、m5... 则rank-1的准确率为100%，同样地，rank-2和rank-5也是100%。 - 若结果为 m2, m1, m3, m4, m5... 那么 rank-1 的准确率是 0%，而 rank-2 和 rank-5 则分别是 100%。 - 如果检索顺序为m2、m3、m4、m5、m1...，则rank-1的正确率为0%，但rank-2及以上的指标会逐步提高至完全匹配时。