L'adaptation de domaine dans la réidentification de personnes (re-ID) a toujours été une tâche difficile. Dans ce travail, nous explorons comment exploiter les caractéristiques similaires naturelles existant dans les échantillons du domaine cible pour apprendre à effectuer la réidentification de personnes de manière non supervisée. Plus précisément, nous proposons une approche de Groupement par Auto-similarité (SSG), qui utilise le potentiel de similarité des échantillons non étiquetés (du corps entier aux parties locales) pour construire automatiquement plusieurs clusters à partir de différentes vues. Ces clusters indépendants sont ensuite attribués des étiquettes, qui servent d'identités pseudo pour superviser le processus d'apprentissage. Nous répétons et alternons ce processus de groupement et d'entraînement jusqu'à ce que le modèle soit stable. Malgré sa simplicité apparente, notre SSG surpasse l'état de l'art avec plus de 4,6 % (DukeMTMC vers Market1501) et 4,4 % (Market1501 vers DukeMTMC) en mAP, respectivement. Sur la base de notre SSG, nous introduisons également une approche semi-supervisée guidée par le clustering nommée SSG ++ pour réaliser l'adaptation de domaine mono-shot dans un cadre ouvert (c'est-à-dire que le nombre d'identités indépendantes provenant du domaine cible est inconnu). Sans consacrer beaucoup d'efforts à l'étiquetage, notre SSG ++ peut améliorer davantage le mAP par rapport à SSG de 10,7 % et 6,9 %, respectivement. Notre code est disponible à l'adresse suivante : https://github.com/OasisYang/SSG .