摘要
一种融合相机感知的改进型 Jaccard 距离（CaJaccard）、基于特征密度变化的动态聚类半径调节机制的无监督行人重识别优化方法，属于计算机视觉领域，针对传统无监督方法中伪标签质量低、跨摄像头特征不匹配及误聚现象频发的问题提出解决方案。该方法基于改进的 CaJaccard 距离构建相似度矩阵，增强了跨摄像头特征匹配的准确性，显著提升了伪标签的质量。同时，结合震荡式动态聚类调整策略，通过自适应调节聚类半径，有效缓解了特征漂移和聚类误差问题。CaJaccard 距离和动态聚类机制在相似度计算和聚类调整中相辅相成，协同提升了聚类的稳定性与鲁棒性，有效捕捉因遮挡、视角变化等因素导致的细粒度部分特征信息，显著提升了伪标签的准确性和鲁棒性。该框架无需任何辅助网络，能够以自集成的方式高效运行，最终通过精炼后的伪标签训练主干网络，实现了更优的无监督行人重识别性能和聚类稳定性。
