최근의 사람 재식별(re-ID) 문헌에서 깊게 학습된 보행자 표현의 우수성이 보고되었습니다. 본 논문에서는 라벨이 없거나 매우 적은 경우에 깊은 특징을 학습하는 더 실용적인 문제를 다룹니다. 우리는 사전 학습된 깊은 표현을 미지의 영역으로 전송하기 위한 점진적 비지도 학습(Progressive Unsupervised Learning, PUL) 방법을 제안합니다. 우리의 방법은 구현이 쉽고 비지도 re-ID 특징 학습을 위한 효과적인 기준선으로 볼 수 있습니다. 구체적으로, PUL은 1) 보행자 클러스터링과 2) 컨벌루션 신경망(Convolutional Neural Network, CNN)의 미세 조정(fine-tuning) 사이에서 반복됩니다. 이는 원래 무관한 라벨 데이터셋에서 훈련된 모델을 개선하는 과정입니다. 클러스터링 결과가 매우 노이즈(noisy)할 수 있으므로, 클러스터링과 미세 조정 사이에 선택 연산을 추가합니다. 초기에는 모델이 약할 때, CNN은 특징 공간에서 클러스터 중심점 근처에 위치한 신뢰성 있는 예제들로 구성된 작은 양의 샘플에 대해 미세 조정됩니다. 이후 반복 과정에서 모델이 강해짐에 따라 더 많은 이미지들이 적응적으로 CNN 훈련 샘플로 선택됩니다. 점진적으로 보행자 클러스터링과 CNN 모델이 동시에 개선되며 알고리즘이 수렴할 때까지 진행됩니다. 이 과정은 자연스럽게 자기 주도 학습(self-paced learning)으로 표현될 수 있습니다. 우리는 또한 더 나아진 성능을 이끌어낼 가능성이 있는 방향들을 제시합니다. 세 가지 대규모 re-ID 데이터셋에서 수행된 광범위한 실험들은 PUL이 차별화된 특징을 출력하여 re-ID 정확도를 향상시키는 것을 입증하였습니다.