최근 들어, 개별 특징과 클러스터 메모리 간의 대조 손실을 계산함으로써 객체 ReID(Re-Identification)에 효과적임이 입증된 클러스터 대조 학습 기법이 주목받고 있다. 그러나 기존의 방법은 개별 특징을 사용하여 클러스터 메모리를 모멘텀 업데이트함에 있어, 특히 이상치 샘플의 경우 학습 예제에 따라 불안정한 변동이 발생하는 문제가 있다. 개별 기반 업데이트 메커니즘과 달리, 각 클러스터의 평균 특징을 활용하여 클러스터 메모리를 업데이트하는 중심점 기반 업데이트 메커니즘은 개별 샘플의 영향을 감소시킬 수 있다. 따라서 본 연구는 이러한 두 가지 업데이트 메커니즘을 통합한 유일한 클러스터 대조 프레임워크인 이중 클러스터 대조 프레임워크(Dual Cluster Contrastive framework, DCC)를 제안한다. DCC는 개별 클러스터 메모리 은행과 중심점 클러스터 메모리 은행이라는 두 가지 유형의 메모리 은행을 유지한다. 특히, 개별 클러스터 메모리는 한 번에 하나의 개별 샘플만 고려하여 단일 단계로 업데이트한다. 반면, 중심점 클러스터 메모리는 각 클러스터의 평균 특징을 사용하여 해당 클러스터 메모리를 업데이트한다. 최적화 과정에서는 각 메모리에 대한 기존의 대조 손실 외에도, 두 메모리 간의 크로스-뷰 일관성 제약을 도입하여 서로의 장점을 교환함으로써 객체 ReID에 대한 구분 능력 있는 특징 표현을 생성한다. 특히 DCC는 진짜 레이블을 사용하거나 생성된 의사 레이블을 활용함으로써, 비지도 또는 지도 학습 기반의 객체 ReID에 간편하게 적용 가능하다. Market-1501, MSMT17, VeRi-776 등 세 가지 벤치마크에서 수행된 광범위한 실험을 통해, 제안된 DCC가 지도형 객체 ReID 및 비지도 객체 ReID 모두에서 우수한 성능을 보임을 입증하였다.