面向可见光–红外行人重识别的形状中心表征学习

基于摘要分析。该研究针对可见光–红外行人重识别（VI-ReID），提出 Shape-centered Representation Learning（ScRL），利用人体形状对模态变化相对稳定的特性，学习形状特征及与形状相关的外观特征。主要研究对象是跨光谱行人图像，而非 EEG 或 BCI。 方法包含三个模块：Shape Feature Propagation（SFP）旨在直接从原始图像提取形状特征，降低推理时对辅助形状提取模型的依赖；Infrared Shape Restitution（ISR）在特征层面修复模态差异造成的红外人体形状误差；Appearance Feature Enhancement（AFE）以形状特征引导外观表征，强化身份相关特征并抑制身份无关特征。摘要提及曾用形状与外观特征直接拼接探索形状的判别潜力，但未提供该对照的具体结果。 作者报告，在 SYSU-MM01、HITSZ-VCM、RegDB 上，Rank-1 分别为 76.1%、71.2%、92.4%，mAP 分别为 72.6%、52.9%、86.7%，并称优于已有方法。摘要未给出这些结果对应的数据划分、检索方向及具体评估设置，不能据此跨数据集比较性能；训练损失、辅助形状信息的来源、推理计算开销、对照基线、消融及统计信息尚未验证。 平台推测（待验证）：其可供跨领域考察的机制是，以相对稳定的辅助表征约束易受模态影响的判别表征；这可能对应 EEG 跨被试或跨会话中的表征漂移问题，但人体形状及其监督不能直接迁移。假设能够定义可靠的任务相关稳定表征，可借鉴特征传播与引导增强思路，重新设计 EEG 辅助目标；低信噪比、通道差异和小样本可能使辅助表征失真，或压制有用个体差异。一个可证伪的小实验是在固定跨会话划分下，对比相同主干的直接特征拼接与稳定表征引导，并移除引导项检验增益是否成立。该假设并非论文已验证结论，相关 EEG 工作尚未检索确认。