摘要
近期，聚类对比学习在行人重识别（Object ReID）任务中已被证明具有显著有效性，其核心思想是通过计算个体特征与聚类记忆库之间的对比损失来提升表示能力。然而，现有方法通常利用个体特征对聚类记忆库进行动量更新，这一机制在训练过程中容易因样本波动而产生不稳定性，尤其在处理离群样本时表现更为明显。与基于个体的更新机制不同，基于质心的更新机制通过使用每个聚类的均值特征来更新对应的聚类记忆，能够有效降低单个样本带来的噪声影响。为此，本文提出一种统一的聚类对比学习框架——双聚类对比框架（Dual Cluster Contrastive, DCC），该框架同时建模两种更新机制：个体聚类记忆库与质心聚类记忆库。具体而言，个体聚类记忆库每次仅针对一个个体进行单步更新，而质心聚类记忆库则利用每个聚类的平均特征来更新其对应的记忆项。在优化过程中，除了对两类记忆库分别计算标准对比损失外，还引入跨视角一致性约束，促使两种记忆库之间信息交互，从而生成更具判别性的目标特征描述。值得注意的是，DCC框架可灵活应用于监督式或无监督式目标重识别任务，仅需依赖真实标签或自动生成的伪标签即可实现。在三个主流基准数据集（如 Market-1501、MSMT17 和 VeRi-776）上，无论在监督式目标重识别还是无监督目标重识别设置下，DCC均展现出显著优于现有方法的性能，充分验证了其有效性与通用性。