Zustandsbestimmende Methoden für unsupervised Re-ID trainieren neuronale Netze mithilfe einer speicherbasierten, nicht-parametrischen Softmax-Verlustfunktion. Instanz-Featurevektoren, die im Speicher gespeichert sind, erhalten durch Clustering Pseudolabels und werden auf Instanzebene aktualisiert. Allerdings führt die unterschiedliche Clustergröße zu einer Inkonsistenz im Aktualisierungsprozess jedes Clusters. Um dieses Problem zu lösen, stellen wir Cluster Contrast vor, das Featurevektoren auf Cluster-Ebene speichert und einen Kontrastverlust berechnet. Unser Ansatz verwendet eine einzigartige Cluster-Repräsentation, um jeden Cluster zu beschreiben, wodurch ein auf Cluster-Ebene basierender Speicher-Dictionary entsteht. Auf diese Weise kann die Konsistenz der Clustering-Prozesse effektiv über den gesamten Pipeline-Verlauf hinweg gewährleistet werden, und der GPU-Speicherverbrauch kann erheblich reduziert werden. Dadurch kann unser Verfahren das Problem der Cluster-Inkonsistenz effektiv lösen und für größere Datensätze anwendbar sein. Zudem nutzen wir verschiedene Clustering-Algorithmen, um die Robustheit und Generalisierbarkeit unseres Frameworks zu demonstrieren. Die Anwendung von Cluster Contrast in einer standardmäßigen unsupervised Re-ID-Pipeline führt zu erheblichen Verbesserungen von 9,9 %, 8,3 % und 12,1 % im Vergleich zu aktuellen state-of-the-art-Methoden für rein unsupervised Re-ID sowie von 5,5 %, 4,8 % und 4,4 % mAP im Vergleich zu den fortschrittlichsten Methoden für unsupervised domain adaptation Re-ID auf den Datensätzen Market, Duke und MSMT17. Der Quellcode ist unter https://github.com/alibaba/cluster-contrast verfügbar.