CHIRLA：用于大规模分析的综合高分辨率识别与重识别
计算机视觉与模式识别
2025-09-09 v2 人工智能
机器学习
摘要
人体重识别 (Re-ID) 是计算机视觉中的关键挑战，要求在摄像机、地点和时间之间匹配个体。虽然大多数研究聚焦于时间跨度有限、外观变化最小的场景，但实际应用需要处理由服装和身体变化引起的长期变化。我们提出 CHIRLA，Comprehensive High-resolution Identification and Re-identification for Large-scale Analysis，一套用于视频-based 长期人体 Re-ID 的新型数据集。CHIRLA 在四个相互连接的室内环境中持续七个月，使用七个 strategically 摆放的摄像机捕获真实运动，包含显著的服装和外观变异。数据集包括 22 名个体、超过 5 小时的视频，以及约 100 万个带身份标注的边界框，通过半自动标注获得。我们还定义了用于人体跟踪和 Re-ID 的基准协议，涵盖遮挡、重现和多摄像机条件等多样且具有挑战性的场景。通过引入这一综合基准，我们旨在促进开发和评估能够可靠地在具有挑战性的长期真实场景中发挥作用的 Re-ID 算法。基准代码已公开：https://github.com/bdager/CHIRLA。
引用
@article{arxiv.2502.06681,
title = {CHIRLA: Comprehensive High-resolution Identification and Re-identification for Large-scale Analysis},
author = {Bessie Dominguez-Dager and Felix Escalona and Francisco Gomez-Donoso and Miguel Cazorla},
journal= {arXiv preprint arXiv:2502.06681},
year = {2025}
}