基于核跨视角协同表示分类的行人重识别

基于摘要分析。本文研究非重叠摄像头之间的行人重识别，提出 Kernel Cross-View Collaborative Representation based Classification（Kernel X-CRC），旨在同时处理标注样本有限和跨摄像头外观变化的非线性问题。 方法动机是：常见公共子空间学习方法获得低维表示后，通常仍采用简单的余弦或 Mahalanobis 距离进行匹配；原始 Collaborative Representation based Classification（CRC）虽用于缓解小样本问题，却未显式考虑查询图像与候选库图像来自不同摄像头，且属于线性模型。Kernel X-CRC 通过非线性方式平衡表示能力与相似性，构造查询图像和候选库图像的表示。具体核函数、优化目标、求解过程及与公共子空间学习的衔接方式尚未验证。 作者报告，在其行人重识别实验设置下，该方法在 CUHK03、PRID450S 和 GRID 上取得当时最优的 rank-1 匹配率，在 VIPeR 和 CUHK01 上取得第二好的结果；作者还报告在 Market-1501 上优于对照方法，并据此认为方法适用于大规模、多摄像头场景。摘要未提供具体分数、数据划分及对照配置，实验协议、消融及统计信息尚未验证，不能据此比较不同数据集或协议下的性能。 平台推测（待验证）：可检验的迁移假设是，将摄像头间域差异对应到 EEG 的跨被试或跨会话分布差异，复用跨域协同表示与核化匹配思路。原任务依赖带身份标注的图像及查询—候选库匹配结构；迁移时须重新定义 EEG 特征、类别字典和核相似度，不能直接照搬身份匹配协议。EEG 低信噪比、通道差异及小样本下的核参数敏感性可能使该假设失败。一个小规模检验是在固定特征和相同 Cross-subject 划分下，对比原始 CRC、跨域表示和核化版本，核对各模块是否稳定改善分类。已有 EEG 相关工作尚未检索确认。