La réidentification de personnes (Re-ID) a connu d'importantes améliorations grâce à l'apprentissage profond et à une grande quantité de données d'entraînement étiquetées. Cependant, il reste un défi majeur d'adapter un modèle formé dans un domaine source avec des données étiquetées à un domaine cible où seules des données non étiquetées sont disponibles. Dans cette étude, nous développons une méthode d'auto-formation avec un cadre de progression augmentative (PAST) pour améliorer progressivement les performances du modèle sur le jeu de données cible. Plus précisément, notre cadre PAST comprend deux phases : la phase conservatrice et la phase promue. La phase conservatrice capture la structure locale des points de données du domaine cible en utilisant des fonctions de perte basées sur des triplets, ce qui conduit à une meilleure représentation des caractéristiques. La phase promue optimise continuellement le réseau en ajoutant une couche de classification modifiable à la dernière couche du modèle, permettant ainsi l'utilisation d'informations globales sur la distribution des données. De manière importante, nous proposons une nouvelle stratégie d'auto-formation qui augmente progressivement les capacités du modèle en alternant les phases conservatrices et promues. De plus, pour améliorer la fiabilité des échantillons triplet sélectionnés, nous introduisons une perte triplet basée sur le classement dans la phase conservatrice, qui est une fonction objectif sans étiquette basée sur les similarités entre les paires de données. Les expériences montrent que la méthode proposée atteint des performances de pointe en termes de réidentification de personnes sous un paramètre transdomaine non supervisé. Le code est disponible à l'adresse suivante : https://tinyurl.com/PASTReID