基于长短期表征学习的视频行人重识别

基于摘要分析。本文研究视频行人重识别（V-ReID）：从互不重叠的摄像头采集的视频中检索特定行人。作者提出 Long Short-Term Representation Learning（LSTRL），结合长期外观信息与短期运动信息，以应对人物和场景变化带来的表征困难。 机制上，Multi-granularity Appearance Extractor（MAE）在多个视频帧间提取四种粒度的外观表征；Bi-direction Motion Estimator（BME）从连续帧提取双向运动信息。两者分别服务于长期与短期表征，作者将其描述为可插入现有网络的即插即用模块。摘要未说明具体粒度划分、运动估计方式、特征融合、损失函数及训练流程。 作者报告，在三个常用基准上的实验中，该方法优于多数当时先进方法；摘要未提供基准名称、数据划分、评价指标、具体数值或对照配置，因此尚不能量化提升或判断各模块的独立贡献。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 时序表征借鉴的假设，是将较长时间尺度的稳定信息与相邻时间窗的动态变化分开建模，而非直接迁移行人外观特征。原方法依赖连续视频帧及空间外观结构，具体监督方式和数据规模尚未验证；迁移至 EEG 需重新定义时间窗、通道或空间粒度，并改造运动估计模块。低信噪比、通道布局差异、跨被试非平稳性与小数据可能使短时差异主要反映噪声。可在固定 EEG 任务及被试划分下，对比单一时间尺度、长短时间尺度分支及其组合，检验增益是否可重复；这只是可证伪的迁移假设，已有 EEG 相关工作尚未检索确认。