L’identification de personnes non supervisée (ReID) vise à apprendre des caractéristiques discriminantes d’identité sans étiquettes annotées. Récemment, l’apprentissage contrastif auto-supervisé a suscité un intérêt croissant en raison de son efficacité dans l’apprentissage de représentations non supervisées. L’idée principale de l’apprentissage contrastif par instance consiste à associer une même instance dans différentes versions augmentées. Toutefois, les relations entre différentes instances n’ont pas été pleinement exploitées dans les méthodes contrastives antérieures, en particulier pour la perte contrastive au niveau de l’instance. Pour résoudre ce problème, nous proposons une méthode appelée Encodage Contrastif Inter-Instances (ICE), qui exploite les scores de similarité appariés entre instances afin d’améliorer les méthodes existantes de ReID contrastif au niveau de la classe. Nous utilisons tout d’abord le classement de similarité appariée comme étiquettes pseudo-dur un-hot pour le contraste d’instances difficiles, ce qui vise à réduire la variance intra-classe. Ensuite, nous utilisons les scores de similarité comme étiquettes pseudo-mouilles afin d’améliorer la cohérence entre les vues augmentées et la vue originale, rendant ainsi notre modèle plus robuste aux perturbations d’augmentation. Des expériences menées sur plusieurs grands jeux de données de ReID humain valident l’efficacité de notre méthode non supervisée ICE, qui se montre compétitive voire supérieure à certaines méthodes supervisées. Le code est disponible à l’adresse suivante : https://github.com/chenhao2345/ICE.