人物再識別（re-id）は、画像にオクルージョンが存在し、判別力のある歩行者情報が不足するという重大な課題に直面している。これまでの研究では、人体のポーズランドマークやマスクマップ、空間情報といった潜在的な情報を捉えるために、複雑なモジュールの設計が継続的に行われてきた。その結果、ネットワークはオクルージョンのない人体領域に注目し、空間的な不整合状態下でも効果的なマッチングを実現できる。一方で、データ拡張に関する研究はあまり進んでおらず、従来の単一ベースのデータ拡張手法は性能向上に限界があることが知られている。本研究では、オクルージョン問題に対処するため、新たな「段階的生成型オクルージョン敵対抑制ネットワーク（Incremental Generative Occlusion Adversarial Suppression: IGOAS）」を提案する。本ネットワークは以下の2つの構成要素からなる。1）段階的生成型オクルージョンブロック：このブロックは、容易なオクルージョンから徐々に困難なオクルージョンへと段階的に学習するように設計されており、直接最も困難なオクルージョンを学習するのではなく、ネットワークのオクルージョン耐性を高める。2）グローバル敵対抑制（G&A）フレームワーク：このフレームワークは、グローバルブランチと敵対抑制ブランチから構成される。グローバルブランチは画像の安定したグローバル特徴を抽出する。一方、敵対抑制ブランチには2つのオクルージョン抑制モジュールが内蔵されており、生成されたオクルージョンに対する応答を最小化するとともに、オクルージョンのない人体領域における注目特徴表現を強化する。最終的に、2つのブランチの特徴を連結することで、より判別力の高い歩行者特徴記述子を得ることができ、オクルージョンに対して堅牢な性能を発揮する。実験結果は、提案手法がオクルージョンを含むデータセットにおいて優れた性能を示していることを示している。特に、Occluded-DukeMTMCデータセットにおいて、Rank-1精度60.1%、mAP 49.4%を達成した。