人物再識別（re-ID）は、異なるカメラ間で同一人物の画像を識別することを目的としている。しかし、異なるデータセット間におけるドメインの多様性は、あるデータセットで学習されたre-IDモデルを別のデータセットに適応させる際に顕著な課題をもたらす。現在の最先端の無教師ドメイン適応手法では、ターゲットドメイン上でクラスタリングアルゴリズムにより生成された疑似ラベルを用いて、ソースドメインから学習された知識を転移する。これらの手法は高い性能を達成しているが、クラスタリングプロセスに起因する避けがたいラベルノイズを無視している点が問題である。このようなノイズを含む疑似ラベルは、ターゲットドメインにおける特徴表現のさらなる向上を著しく妨げている。この問題を緩和するために、本研究では、オフラインで精査されたハード疑似ラベルとオンラインで精査されたソフト疑似ラベルを交互に用いることで、ターゲットドメインにおける疑似ラベルをソフトに精査する手法を提案する。これを実現するため、無教師フレームワークとして「相互平均教師法（Mutual Mean-Teaching, MMT）」を設計し、ターゲットドメインからのより良い特徴学習を可能にする。さらに、人物再識別モデルの最適性能を達成するために、分類損失と三重損失（triplet loss）を併用することが一般的である。しかし、従来の三重損失はソフトに精査されたラベルと併用できない。この課題を解決するため、ソフトな疑似三重ラベルを用いた学習を可能にする新規な「ソフト・ソフトマックス三重損失（soft softmax-triplet loss）」を提案する。提案するMMTフレームワークは、Market-to-Duke、Duke-to-Market、Market-to-MSMT、Duke-to-MSMTの各無教師ドメイン適応タスクにおいて、mAPでそれぞれ14.4%、18.2%、13.1%、16.4%の顕著な向上を達成した。コードは以下のURLから公開されている：https://github.com/yxgeee/MMT。