既存の人物再識別（re-id）手法の多くは、カメラペアごとに手動でラベリングされた対象間訓練データを用いた教師ありモデル学習に依存しています。これにより、実際のre-id展開において、各カメラペアに対して陽性および陰性画像ペアの完全なアイデンティティラベリングが不足しているため、スケーラビリティが低下します。本研究では、教師なしのre-id深層学習手法を提案します。この手法は、自動生成された人物トラックレットデータから潜在的な再識別判別情報を段階的に発見し、活用する能力を持っています。私たちは教師なしトラックレット関連学習（Unsupervised Tracklet Association Learning: UTAL）フレームワークを定式化しました。これは、カメラ内トラックレット判別とカメラ間トラックレット関連を同時に行い、カメラビュー内および跨ぐトラックレットアイデンティティマッチングの最大限の発見を目指すものです。広範な実験結果は、提案モデルが8つのベンチマークデータセット上で最先端の教師なし学習およびドメイン適応型人物再識別手法よりも優れていることを示しています。