In diesem Artikel präsentieren wir eine großskalige, unbeschriftete Person-Re-Identification-(Re-ID)-Datensammlung namens „LUPerson“ und unternehmen den ersten Versuch, unüberwachtes Vortrainieren zur Verbesserung der Generalisierungsfähigkeit der gelernten Person-Re-ID-Featurerepräsentation durchzuführen. Dies zielt darauf ab, das Problem zu lösen, dass alle bisher verfügbaren Person-Re-ID-Datensätze aufgrund der aufwändigen Datenauszeichnung auf begrenzte Skalierung beschränkt sind. Frühere Forschungsarbeiten versuchten, Modelle, die auf ImageNet vortrainiert wurden, zur Milderung des Mangels an Person-Re-ID-Daten heranzuziehen, leiden jedoch unter einem erheblichen Domänenunterschied zwischen ImageNet und Person-Re-ID-Daten. LUPerson ist eine unbeschriftete Datensammlung mit 4 Millionen Bildern über 200.000 Identitäten – das ist 30-mal größer als die bisher größte verfügbare Re-ID-Datensammlung – und umfasst eine viel vielfältigere Palette an Aufnahmeumgebungen (z. B. Kameraparameter, Szenen etc.). Auf Basis dieser Datensammlung untersuchen wir systematisch die zentralen Faktoren für das Lernen von Re-ID-Features aus zwei Perspektiven: Datenaugmentation und kontrastiver Verlust. Das unüberwachte Vortrainieren auf dieser großskaligen Datensammlung führt effektiv zu einer allgemeinen Re-ID-Featurerepräsentation, die alle bestehenden Person-Re-ID-Methoden unterstützen kann. Bei der Verwendung unseres vortrainierten Modells in grundlegenden Architekturen erreichen unsere Ansätze state-of-the-art-Ergebnisse – ohne zusätzliche Tricks – auf vier weit verbreiteten Re-ID-Datensätzen: CUHK03, Market1501, DukeMTMC und MSMT17. Unsere Ergebnisse zeigen zudem, dass die Leistungssteigerung besonders signifikant ist bei Datensätzen mit geringer Skalierung oder unter Few-Shot-Bedingungen.