L’identification de personnes non supervisée (Re-ID) vise à associer des images de piétons provenant de différentes vues de caméra dans un cadre non supervisé. Les méthodes existantes pour l’identification de personnes non supervisée s’appuient généralement sur des étiquettes pseudo-étiquetées issues du regroupement (clustering). Toutefois, la qualité du clustering dépend fortement de la qualité des caractéristiques apprises, qui sont largement dominées par les couleurs présentes dans les images, particulièrement dans un contexte non supervisé. Dans cet article, nous proposons une méthode appelée Cluster-guided Asymmetric Contrastive Learning (CACL) pour l’identification de personnes non supervisée, dans laquelle la structure de cluster est exploitée pour guider l’apprentissage des caractéristiques au sein d’un cadre de contraste asymétrique soigneusement conçu. Plus précisément, nous introduisons une nouvelle perte de contraste au niveau du cluster, permettant au réseau siamois d’extraire efficacement les invariances lors de l’apprentissage des caractéristiques par rapport à la structure de cluster, tant à l’intérieur qu’entre différentes vues obtenues par augmentation de données. Des expériences étendues menées sur trois jeux de données standard démontrent les performances supérieures de notre approche.