Unsupervised Person Re-Identification (Re-ID) zielt darauf ab, diskriminative Repräsentationen für die Personenretrieval-Aufgabe aus unlabeled Daten zu lernen. Neuere Ansätze erreichen dies durch die Verwendung von Pseudolabels, die jedoch inhärent verrauscht sind und die Genauigkeit verschlechtern. Um dieses Problem zu überwinden, wurden mehrere Methoden zur Pseudolabel-Verfeinerung vorgeschlagen; diese vernachlässigen jedoch den feinkörnigen lokalen Kontext, der für die Person Re-Identification entscheidend ist. In diesem Artikel stellen wir einen neuartigen Part-based Pseudo Label Refinement (PPLR)-Ansatz vor, der die Label-Rauschunterdrückung durch Ausnutzung der ergänzenden Beziehung zwischen globalen und Teilmerkmalen erreicht. Konkret entwerfen wir einen Cross-Agreement-Score als Ähnlichkeit der k-nächsten Nachbarn zwischen Merkmalsräumen, um die zuverlässige ergänzende Beziehung auszunutzen. Auf Basis dieses Cross-Agreement-Scorings verfeinern wir die Pseudolabels der globalen Merkmale durch Ensembling der Vorhersagen der Teilmerkmale, wodurch die Rauschbelastung bei der Clusterung der globalen Merkmale insgesamt verringert wird. Darüber hinaus verfeinern wir die Pseudolabels der Teilmerkmale durch Anwendung von Label-Smoothing, basierend auf der Angemessenheit der gegebenen Labels für jeden Teil. Dank der zuverlässigen ergänzenden Informationen, die der Cross-Agreement-Score liefert, reduziert unser PPLR effektiv die Auswirkungen verrauschter Labels und lernt diskriminative Repräsentationen mit reichhaltigem lokalen Kontext. Ausführliche experimentelle Ergebnisse auf den Datensätzen Market-1501 und MSMT17 belegen die Überlegenheit des vorgeschlagenen Ansatzes gegenüber dem Stand der Technik. Der Quellcode ist unter https://github.com/yoonkicho/PPLR verfügbar.