La supériorité des représentations piétonnes apprises en profondeur a été rapportée dans la littérature très récente sur la ré-identification de personnes (re-ID). Dans cet article, nous abordons l'enjeu plus pragmatique d'apprendre une caractéristique profonde avec peu ou pas d'étiquettes. Nous proposons une méthode d'apprentissage non supervisé progressif (PUL) pour transférer des représentations profondes pré-entraînées vers des domaines inconnus. Notre méthode est facile à mettre en œuvre et peut être considérée comme une base de référence efficace pour l'apprentissage non supervisé de caractéristiques de re-ID. Plus précisément, PUL alterne entre 1) le regroupement piétonnier et 2) l'affinage du réseau neuronal convolutif (CNN) afin d'améliorer le modèle initial entraîné sur un ensemble de données étiquetées non pertinentes. Étant donné que les résultats du regroupement peuvent être très bruyants, nous ajoutons une opération de sélection entre le regroupement et l'affinage. Au début, lorsque le modèle est faible, le CNN est affiné sur un petit nombre d'exemples fiables situés près des centroïdes de clusters dans l'espace des caractéristiques. À mesure que le modèle gagne en robustesse au cours des itérations suivantes, un nombre croissant d'images sont sélectionnées de manière adaptative comme échantillons d'entraînement pour le CNN. Progressivement, le regroupement piétonnier et le modèle CNN s'améliorent simultanément jusqu'à la convergence de l'algorithme. Ce processus peut être naturellement formulé comme un apprentissage auto-régulé. Nous indiquons ensuite des directions prometteuses qui pourraient conduire à des améliorations supplémentaires. Des expériences approfondies sur trois grands ensembles de données de re-ID montrent que PUL génère des caractéristiques discriminantes qui améliorent la précision de la re-ID.