Die Person-Re-Identifikation (Re-ID) hat dank des tiefen Lernens und einer großen Menge an etikettierten Trainingsdaten erhebliche Fortschritte gemacht. Dennoch bleibt es eine herausfordernde Aufgabe, ein Modell, das in einem Quelldomänenbereich mit etikettierten Daten trainiert wurde, auf ein Ziel-Datenset anzupassen, bei dem nur unetikettierte Daten zur Verfügung stehen. In dieser Arbeit entwickeln wir eine Selbsttrainingsmethode mit einem progressiven Augmentierungsrahmen (PAST), um die Leistung des Modells schrittweise auf dem Zielsatz zu verbessern. Insbesondere besteht unser PAST-Rahmen aus zwei Phasen, nämlich der konservativen Phase und der Förderphase. Die konservative Phase erfasst die lokale Struktur der Datensätze im Zielbereich durch Tripletten-basierte Verlustfunktionen, was zu verbesserten Merkmalsrepräsentationen führt. Die Förderphase optimiert das Netzwerk kontinuierlich, indem sie eine veränderbare Klassifizierungsschicht an die letzte Schicht des Modells anhängt, wodurch die Nutzung globaler Informationen über die Datenverteilung ermöglicht wird. Wichtig ist, dass wir eine neue Selbsttrainingsstrategie vorschlagen, die die Fähigkeiten des Modells schrittweise durch abwechselndes Anwenden von konservativer und Förderphase erweitert. Darüber hinaus führen wir im konservativen Stadium einen rangbasierten Tripletten-Verlust ein, um die Zuverlässigkeit der ausgewählten Tripletten-Stichproben zu erhöhen. Dies ist eine etikettenfreie Zielfunktion, die auf den Ähnlichkeiten zwischen Datendupletten basiert. Experimente zeigen, dass die vorgeschlagene Methode unter unsupervisierten Cross-Domain-Bedingungen den Stand der Technik in Bezug auf Person-Re-Identifikation erreicht. Der Code ist unter folgendem Link verfügbar: https://tinyurl.com/PASTReID