ドメイン適応における人物再識別（re-ID）は、常に難題となっています。本研究では、ターゲットドメインのサンプルに存在する自然な類似特性を活用し、教師なし学習で人物再識別を行う方法を探求します。具体的には、Self-similarity Grouping (SSG) アプローチを提案します。このアプローチは、ラベルの付いていないサンプルの潜在的な類似性（全身から部分まで）を活用して、異なる視点から複数のクラスタを自動的に構築します。これらの独立したクラスタにはラベルが割り当てられ、それらが擬似アイデンティティとして訓練過程を監督します。私たちはこのグループ化と訓練過程を反復し、モデルが安定するまで続けます。そのシンプルさにもかかわらず、私たちのSSGはmAPにおいて既存の最先端技術を4.6%（DukeMTMCからMarket1501）および4.4%（Market1501からDukeMTMC）上回ります。さらに、SSGに基づいてオープンセット環境下でのワンショットドメイン適応を行うためのクラスタリングガイダンス半教師ありアプローチであるSSG++ を導入します（すなわち、ターゲットドメインからの独立アイデンティティ数が未知の場合）。ラベル付けに多くの労力を費やすことなく、SSG++ はSSGよりもmAPをそれぞれ10.7%および6.9%向上させることができます。当該コードは以下のURLで公開されています: https://github.com/OasisYang/SSG 。