非重複カメラ間における人物再識別（Person Re-Identification, ReID）は、極めて困難な課題であり、従来の研究では、異なる視点における同一人物を一致させるために、ラベル付きデータセットからの教師あり特徴学習に依存している。しかしながら、このようなアプローチは収集されたデータに対して時間のかかるラベル付け作業を必要とし、特に法医学的場面における迅速な導入を妨げる。これに対し、教師なしドメイン適応（Unsupervised Domain Adaptation, UDA）は、ターゲットドメインにおける人物IDラベルを用いずに、ソースドメインで学習されたモデルからターゲットドメインへの特徴学習の適応を実現する有望な代替手法として注目されている。しかし、多くのUDAベースのアルゴリズムは複雑な損失関数と多数のハイパーパラメータを必要とし、異なるシナリオへの一般化を阻害する。さらに、UDAはドメイン間の変換に依存するため、未観測ドメインから最も信頼性の高いデータを選択することが重要であり、ノイズの多いサンプルがターゲットデータに誤った誤伝播（error propagation）を引き起こすのを防ぐ必要がある——これはしばしば軽視される問題である。本研究では、ハイパーパラメータがわずか1つである単純な損失関数を最適化する新しいUDAベースのReID手法を提案する。この手法は、クラスタ内におけるカメラの多様性に基づく新しいオフライン戦略によって生成されたサンプルの三重組（triplets）を活用しており、モデルの適応と正則化の両方を実現する。これにより、ターゲットドメインにおける過学習を抑制できる。また、異なる反復ステップにおける重みを統合して最終モデルを構築する新しい自己アンサンブル（self-ensembling）戦略を導入した。評価においては、3つの代表的な深層学習アーキテクチャを用い、最終的な判断に統合的に活用した。提案手法はターゲットドメインにおける人物再ランク付けやラベルの使用を一切行わず、Market-to-Duke、挑戦的なMarket1501-to-MSMT17、およびDuke-to-MSMT17のドメイン適応設定において、従来の最先端手法を上回る性能を達成しつつ、はるかにシンプルな設定を実現した。