人物再識別（re-ID）は、教師あり学習手法により著しい成果を上げている。しかし、教師なしのクロスドメイン再識別は依然として課題である。本論文では、ターゲットのラベルなしデータセットにおけるハードな陽性サンプルおよび陰性サンプルに対して脆弱である従来のクラスタリングベース手法の欠点を解消する、ハードサンプル補正（Hard Samples Rectification; HSR）学習方式を提案する。本HSRは、2つの部分から構成される。1つは、異なる視点下での人物認識を支援するカメラ間マイニング手法（ハードな陽性サンプルに対応）であり、もう1つは、外見が類似する異なる人物を区別できるようにする部位ベースの均一性技術（ハードな陰性サンプルに対応）である。これらの2つのハードケースを補正することにより、再識別モデルは効果的に学習が可能となり、2つの大規模ベンチマークにおいて有望な結果を達成した。