تم الإبلاغ عن تفوق التمثيلات المشاة التي تم تعلمها بعمق في الأدبيات الحديثة جدًا لاعادة تعريف الشخص (Re-ID). في هذا البحث، نتناول المسألة الأكثر واقعية المتمثلة في تعلم ميزة عميقة بدون أو مع عدد قليل من العلامات. نقترح طريقة تعلم غير مشرف عليها بشكل تدريجي (PUL) لنقل التمثيلات العميقة المسبقة التدريب إلى مجالات غير معروفة. يمكن تنفيذ طرقتنا بسهولة ويمكن اعتبارها أساسًا فعالًا للتعلم غير المشرف على ميزات Re-ID. تحديداً، تقوم PUL بالتناوب بين 1) تصنيف المشاة و2) ضبط دقيق للشبكة العصبية التلافيفية (CNN) لتحسين النموذج الأصلي الذي تم تدريبه على مجموعة بيانات ذات علامات غير ذات صلة. نظرًا لأن نتائج التصنيف قد تكون ضوضائية للغاية، فقد أضفنا عملية اختيار بين التصنيف والضبط الدقيق. في البداية عندما يكون النموذج ضعيفًا، يتم ضبط CNN بدقة على كمية صغيرة من الأمثلة الموثوقة التي تقع بالقرب من مراكز العنقود في الفضاء المميز. كلما أصبح النموذج أقوى في التكرارات اللاحقة، يتم اختيار المزيد من الصور بشكل متكيّف كعينات تدريبية لـ CNN. بشكل تدريجي، يتم تحسين تصنيف المشاة ونموذج CNN معًا حتى تتوقف الخوارزمية عن التحسن. يمكن صياغة هذا العملية بشكل طبيعي كتعلم ذاتي الوتيرة (self-paced learning). ثم نشير إلى اتجاهات واعدة قد تقود إلى تحسينات إضافية. أظهرت التجارب الواسعة على ثلاثة مجموعات بيانات كبيرة لإعادة تعريف الشخص أن PUL ينتج ميزات تمييزية تعزز دقة إعادة التعريف.