近日，我院教师郑丁源博士联合浙江大学、西北工业大学等高校学者与智能家居公司Wyze Labs科学家在人工智能领域目标重识别任务取得重要进展，相关研究成果《Adaptive Sparse Contrastive Learning for Unsupervised Object Re-identification》于2025年10月在线出版于国际知名学术期刊Pattern Recognition（中科院SCI一区Top），原文链接：https://doi.org/10.1016/j.patcog.2025.112604（图1）。

基于聚类的对比学习为无监督目标重识别提供了一种可行的解决方案，但也受到诸多挑战的阻碍，例如由噪声伪标签和密集对比机制产生的有歧义和冗余的对比关系。这些问题会误导模型训练，分散学习重点，从而阻碍判别性特征的提取。无监督学习中常见的效率与可靠性权衡也会损害表征学习效果。

为解决上述缺陷，该研究工作引入了一种自适应稀疏对比学习(ASCL) 新范式，不同于为每个实例建立密集的对比关系，ASCL为批数据中的每个伪类稀疏地构建具有丰富身份线索的对比关系。为了缓解效率与可靠性权衡，该工作提出了两类互补的稀疏对比学习目标：复合稀疏对比损失 (CSCL) 和加权稀疏对比损失 (WSCL)。两类学习目标根据不断变化的聚类内差异自适应地调节类内拉力强度，平衡识别模型的积极探索和稳健学习，从而促进模型对于细粒度和有效身份线索的挖掘。该工作提出的 ASCL方法能够在不增加额外内存开销的情况下增强模型的表征学习能力。三个大规模公开目标重识别数据集上的实验结果表明ASCL方法的优越性。其中，在最具挑战性的 MSMT17 数据集上，ASCL 刷新了无监督目标重识别性能，实现了76.4%的top-1 准确率。该研究成果为无监督目标重识别技术的应用提供了更为可靠的解决方案。

图1 论文首页

（图、文：郑丁源；审核：王绶玙）