La réidentification de personnes vise à établir les correspondances d'identité correctes d'une personne se déplaçant dans une installation multicaméra non chevauchante. Les progrès récents basés sur des modèles d'apprentissage profond pour cette tâche se concentrent principalement sur des scénarios d'apprentissage supervisé, où il est supposé que des annotations précises sont disponibles pour chaque configuration. L'annotation de grands ensembles de données pour la réidentification de personnes est exigeante et pénible, ce qui rend l'application de telles approches supervisées aux cas pratiques impossibles. Par conséquent, il est nécessaire d'entraîner des modèles sans supervision explicite de manière autonome. Dans cet article, nous proposons une approche élégante et pratique de clustering pour la réidentification non supervisée de personnes, basée sur la considération de la validité du cluster. Plus précisément, nous explorons un concept fondamental en statistiques, à savoir la \emph{dispersion}, afin d'atteindre un critère de clustering robuste. La dispersion reflète la compacité d'un cluster lorsqu'elle est utilisée au niveau intra-cluster et révèle la séparation lorsqu'elle est mesurée au niveau inter-cluster. À partir de cette intuition, nous concevons une nouvelle approche de Clustering Basé sur la Dispersion (CBD) capable de découvrir les motifs sous-jacents dans les données. Cette approche prend en compte un contexte plus large des relations binaires au niveau des échantillons pour réaliser une évaluation robuste de l'affinité entre clusters, gérant ainsi les complications qui peuvent surgir en raison des distributions de données déséquilibrées courantes. De plus, notre solution peut automatiquement prioriser les points de données isolés et prévenir un clustering médiocre. Notre analyse expérimentale exhaustive sur des benchmarks de réidentification d'images et vidéos montre que notre méthode surpasser significativement les méthodes non supervisées actuelles. Le code source est disponible à l'adresse suivante : https://github.com/gddingcs/Dispersion-based-Clustering.git.Note: - "Clustering Based on Dispersion" a été traduit par "Clustering Basé sur la Dispersion" (CBD), car c'est le terme technique utilisé dans le texte original.- "Cluster Validity Consideration" a été traduit par "considération de la validité du cluster", ce qui est une expression couramment utilisée en français dans ce domaine.- Les termes techniques comme "intra-cluster" et "inter-cluster" ont été conservés tels quels car ils sont également utilisés en français.- L'URL a été conservée telle quelle car elle ne nécessite pas de traduction.