Die Überlegenheit tiefgelernter Fußgängerrepräsentationen wurde in sehr neuer Literatur über die Person-Wiedererkennung (re-ID) berichtet. In dieser Arbeit betrachten wir das pragmatischere Problem des Lernens einer tiefen Merkmalsdarstellung ohne oder mit nur wenigen Labels. Wir schlagen eine progressive unsupervisierte Lernmethode (PUL) vor, um vortrainierte tiefe Repräsentationen auf unbekannte Domänen zu übertragen. Unsere Methode ist einfach umzusetzen und kann als effektive Baseline für das unsupervisierte Lernen von re-ID-Merkmalsdarstellungen angesehen werden. Insbesondere iteriert PUL zwischen 1) der Clusterverarbeitung von Fußgängern und 2) dem Feinjustieren des Faltungsneuronalen Netzes (CNN), um das ursprüngliche Modell, das auf einem unverwandten annotierten Datensatz trainiert wurde, zu verbessern. Da die Clusternergebnisse sehr rauschig sein können, fügen wir eine Auswahloperation zwischen der Clusterverarbeitung und dem Feinjustieren hinzu. Zu Beginn, wenn das Modell noch schwach ist, wird das CNN anhand einer kleinen Anzahl verlässlicher Beispiele feinjustiert, die in der Merkmalsraumnahe der Clusterzentren liegen. Mit der Stärkung des Modells in nachfolgenden Iterationen werden zunehmend mehr Bilder adaptiv als Trainingsbeispiele für das CNN ausgewählt. Schrittweise werden die Clusterverarbeitung von Fußgängern und das CNN-Modell gleichzeitig verbessert, bis der Algorithmus konvergiert. Dieser Prozess wird natürlicherweise als selbstgesteuertes Lernen formuliert. Wir weisen dann auf vielversprechende Richtungen hin, die zu weiteren Verbesserungen führen könnten. Umfangreiche Experimente auf drei großen re-ID-Datensätzen zeigen, dass PUL diskriminative Merkmale erzeugt, die die re-ID-Genauigkeit verbessern.