ドメイン適応型人物再識別（re-ID）は、特にターゲットドメインにおける人物の識別情報が未知である場合、非常に困難な課題である。従来の手法は、画像スタイルの転送やドメイン間の特徴分布の整合化によりこの課題に対処しようとしているが、ターゲットドメインに豊富に存在するラベルなしサンプルの活用は十分でない。本論文では、ターゲットドメインにおける人物クラスタを推定・拡張し、拡張されたクラスタを用いてre-IDモデルの識別能力を強化する新しい拡張的判別クラスタリング（AD-Cluster）手法を提案する。AD-Clusterは、反復的密度ベースクラスタリング、適応的サンプル拡張、判別的特徴学習を組み合わせて訓練される。この手法は、サンプル空間におけるクラスタ内多様性を最大化し、特徴空間におけるクラスタ内距離を最小化するように、敵対的最小最大化（min-max）の枠組みで画像生成器と特徴エンコーダを学習する。結果として、AD-Clusterはサンプルクラスタの多様性を著しく向上させ、re-IDモデルの識別能力を大幅に改善する。Market-1501およびDukeMTMC-reIDを用いた広範な実験により、AD-Clusterが最先端手法を大きく上回ることを示した。