Die Domänenanpassung (Domain Adaptation) bei der Personenerkennung (Person Re-Identification, Re-ID) ist stets eine herausfordernde Aufgabe. In dieser Arbeit untersuchen wir, wie man die natürlichen ähnlichen Eigenschaften, die in den Proben des Zielbereichs vorhanden sind, nutzen kann, um die Personenerkennung auf überwachungslose Weise zu erlernen. Konkret schlagen wir einen Ansatz namens Selbstähnlichkeitsgruppierung (Self-similarity Grouping, SSG) vor, der das potenzielle Ähnlichkeitspotenzial (von globalen Körpern bis hin zu lokalen Körperteilen) von nicht gekennzeichneten Proben nutzt, um automatisch mehrere Cluster aus verschiedenen Blickwinkeln zu bilden. Diese unabhängigen Cluster werden dann mit Labels versehen, die als Pseudo-Identitäten dienen und den Trainingsprozess überwachen. Wir führen diesen Gruppierungs- und Trainingsprozess wiederholt und abwechselnd durch, bis das Modell stabil ist. Trotz der scheinbaren Einfachheit übertreffen unsere SSG-Resultate die Standesder Technik um mehr als 4,6 % (DukeMTMC nach Market1501) und 4,4 % (Market1501 nach DukeMTMC) im Mean Average Precision (mAP).Aufbauend auf unserer SSG-Methode führen wir einen clustergesteuerten semiüberwachten Ansatz namens SSG ++ ein, um die One-Shot-Domänenanpassung in einem offenen Satzsetting durchzuführen (d.h., die Anzahl der unabhängigen Identitäten aus dem Zielbereich ist unbekannt). Ohne große Anstrengungen für das Kennzeichnen aufzuwenden, kann unser SSG ++ die mAP-Werte im Vergleich zu SSG weiter verbessern: um 10,7 % und 6,9 % jeweils.Unser Quellcode ist unter folgendem Link verfügbar: https://github.com/OasisYang/SSG .