Ce papier aborde le problème de la réidentification de personnes (Re-ID) entièrement non supervisée, qui ne nécessite aucune annotation. Certaines méthodes antérieures utilisent des techniques de clustering pour générer des pseudo-étiquettes, puis exploitent ces étiquettes pour entraîner progressivement des modèles de Re-ID. Ces approches sont relativement simples mais efficaces. Toutefois, la plupart des méthodes basées sur le clustering traitent chaque cluster comme une classe d’identité pseudo-étiquetée, négligeant ainsi la grande variance intra-identité provoquée principalement par les changements de point de vue des caméras. Pour remédier à ce problème, nous proposons de diviser chaque cluster unique en plusieurs proxies, où chaque proxy représente les instances provenant de la même caméra. Ces proxies sensibles à la caméra permettent de mieux gérer la grande variance intra-identité et de générer des pseudo-étiquettes plus fiables pour l’apprentissage. À partir de ces proxies, nous concevons des composants d’apprentissage contrastif intra-caméra et inter-caméra pour notre modèle de Re-ID, afin d’apprendre efficacement la capacité de discrimination d’identité à l’intérieur et entre les caméras. Par ailleurs, une stratégie d’échantillonnage équilibrée par proxy est également proposée, ce qui renforce davantage l’apprentissage. Des expériences étendues sur trois grands jeux de données de Re-ID montrent que notre approche dépasse la plupart des méthodes non supervisées avec un écart significatif. En particulier, sur le jeu de données exigeant MSMT17, nous obtenons des améliorations de 14,3 % en Rank-1 et de 10,2 % en mAP par rapport à la deuxième meilleure méthode. Le code est disponible à l’adresse suivante : \texttt{https://github.com/Terminator8758/CAP-master}.