提高有效性：基于离散度的聚类方法用于无监督人员再识别

人员重识别旨在建立在非重叠多摄像头安装系统中移动人员的正确身份对应关系。近年来，基于深度学习模型的该任务研究主要集中在监督学习场景下，假设每个设置都有准确的注释。然而，为大规模数据集进行人员重识别注释是一项艰巨且繁重的任务，这使得将此类监督方法应用于实际应用变得不可行。因此，有必要以自主的方式训练模型，无需显式监督。本文提出了一种基于聚类有效性考虑的优雅且实用的无监督人员重识别聚类方法。具体而言，我们探讨了统计学中的一个基本概念——即\emph{离散度}（dispersion），以实现稳健的聚类准则。离散度在簇内水平上反映了簇的紧凑性，在簇间水平上揭示了分离度。基于这一见解，我们设计了一种新颖的基于离散度的聚类（Dispersion-based Clustering, DBC）方法，该方法能够发现数据中的潜在模式。该方法考虑了样本级成对关系的更广泛上下文，从而实现了稳健的簇亲和力评估，能够处理由于普遍存在的不平衡数据分布而可能产生的复杂问题。此外，我们的解决方案可以自动优先处理孤立的数据点，并防止劣质聚类的发生。我们在图像和视频重识别基准上的大量实验分析表明，我们的方法显著优于现有的无监督方法。代码可在https://github.com/gddingcs/Dispersion-based-Clustering.git 获取。