一、通用数据集

• Market1501：由清华大学和香港中文大学整理，包含 1501 个行人身份的 12936 张训练图像和 3368 张查询图像，图片背景复杂、光照变化大且行人姿态多样，是训练和评估行人重识别模型的重要基准。
• DukeMTMC-reID：来自杜克大学多目标多摄像头跟踪数据集，有 702 个行人的 16522 张训练图像、2228 张查询图像和 17661 张图库图像，场景丰富，包含多种遮挡和姿态变化情况，可有效评估模型的鲁棒性

二、可见光与红外图像跨模态行人重识别数据集（visible-infrared cross-modality）

跨模态行人重识别常用数据集有SYSU-MM01、RegDB、KAIST等，它们为该领域研究提供了多样化的场景和数据特性，有助于推动技术的发展和性能提升。

• SYSU-MM01：包含491个身份的图像，由4个可见相机和2个红外相机采集。训练集有395人的大量可见和红外图像，测试集有96人的图像。有全搜索和室内搜索两种模式，且分单镜头和多镜头设置，以红外图像为查询集、可见图像为图库集，广泛用于跨模态行人重识别研究的模型训练和评估。github地址
• RegDB：由一对对齐的可见和红外相机构建，含412人的图像，每人有10张可见图像和10张红外图像。数据集随机分成两半分别用于训练和测试，为研究提供了相对规整的数据，便于模型学习不同模态间的特征关联。
• KAIST：涵盖多种天气和光照环境，行人姿态、穿着、遮挡情况丰富。其数据的多样性使得基于该数据集训练的模型能更好地适应复杂现实场景，许多研究以此测试模型在复杂环境下处理模态差异和特征提取的能力 。
• OuluVS2：侧重于不同光照变化下的行人可见光和红外图像采集。光照变化对跨模态行人重识别影响大，该数据集有助于研究如何减少光照差异带来的模态影响，提升模型在不同光照条件下的鲁棒性。

三、遮挡数据集（Occluded）

• Occluded-Duke：从 DukeMTMC-reID 数据集选取有遮挡的行人图像构建，有 702 个行人的 16522 张训练图像、2228 张查询图像和 17661 张图库图像，用于研究模型对遮挡行人的重识别能力。
• Occluded-ReID：缺少训练集，需借助其他数据集训练，测试集含多种遮挡情况，可评估模型在复杂遮挡场景下的泛化能力。
• PDukeMTMC：包含大量行人遮挡图像，为研究遮挡行人重识别提供了丰富数据，推动相关算法在实际场景中的应用。

四、行人语义分割数据集（Segment）

• LIP：Look Into Person（LIP）是一个大规模的人体语义解析数据集。LIP 数据集共有 50462 张图像，其中包括 19081 张全身图像、13672 张上身图像、403 张下身图像、3386 张头部丢失的图像、2778 张后视图图像和 21028 张有遮挡的图像。该数据集对图像进行了详细的像素标注，包含 19 个语义人体部件标签，分别是帽子、头发、太阳镜、上衣、衣服、外套、袜子、裤子、手套、围巾、裙子、连体裤、脸、右臂、左臂、右腿、左腿、右脚、右脚鞋、左鞋，以及 1 个背景标签，总共 20 个类别。此外，数据集中的图像还带有 16 个关键点的 2D 姿势标注。