Zu更高的有效性: Dispersion-basierte Clustering für unsupervisiertes Person-Reidentifizierungsverfahren 注意：在德语中，“更高的有效性”通常会表达为“bessere Gültigkeit”或“verbesserte Gültigkeit”。为了更符合学术期刊的风格，建议使用“bessere Gültigkeit”。因此，更准确的翻译应为： Zu besseren Gültigkeiten: Dispersion-basierte Clustering für unsupervisierte Person-Reidentifizierung

Die Person-Reidentifizierung zielt darauf ab, die korrekten Identitätsentsprechungen einer Person zu etablieren, die durch eine nicht überlappende Mehrkamerainstallation bewegt wird. Neueste Fortschritte bei der Nutzung von tiefen Lernmodellen für diese Aufgabe konzentrieren sich hauptsächlich auf überwachte Lernszenarien, bei denen angenommen wird, dass genaue Annotationen für jede Einrichtung verfügbar sind. Die Annotation umfangreicher Datensätze für die Person-Reidentifizierung ist anspruchsvoll und zeitaufwendig, was es unmöglich macht, solche überwachten Ansätze in realen Anwendungen einzusetzen. Daher ist es notwendig, Modelle in einem autonomen Verfahren ohne explizite Überwachung zu trainieren.In dieser Arbeit schlagen wir einen eleganten und praktischen Clusterverfahren vor, das auf der Cluster-Validität basiert und für die unüberwachte Person-Reidentifizierung geeignet ist. Konkret untersuchen wir ein grundlegendes Konzept der Statistik, nämlich die Dispersionsanalyse (Dispersion), um ein robustes Clusterkriterium zu erreichen. Die Dispersionsanalyse spiegelt die Kompaktheit eines Clusters wider, wenn sie auf intracluster-Ebene angewendet wird, und zeigt die Trennung, wenn sie auf intercluster-Ebene gemessen wird. Mit diesem Erkenntnisentwickeln wir einen neuen Ansatz zur dispersionsbasierten Clustering (Dispersion-based Clustering, DBC), der Muster in den Daten entdecken kann. Dieser Ansatz berücksichtigt einen breiteren Kontext von paarweisen Beziehungen auf Sample-Ebene, um eine robuste Clusteraffinitätsschätzung durchzuführen, die mit den Komplikationen umgehen kann, die durch häufig vorkommende ungleichmäßige Datenverteilungen entstehen. Zudem kann unsere Lösung automatisch einzelne Datenpunkte priorisieren und verhindert unterlegene Clusterbildung.Unsere umfangreiche experimentelle Analyse an Bild- und Videobenchmarks zur Reidentifizierung zeigt, dass unsere Methode erheblich besser als die besten bisher bekannten unüberwachten Methoden abschneidet. Der Quellcode ist unter https://github.com/gddingcs/Dispersion-based-Clustering.git verfügbar.