비중복 카메라 간의 사람 재식별(Person Re-Identification, ReID)은 여전히 도전적인 과제이며, 이에 따라 기존 연구 대부분은 서로 다른 시점에서 동일한 사람을 매칭하기 위해 라벨이 부여된 데이터셋에서 감독형 특징 학습을 활용한다. 그러나 이러한 방법은 획득한 데이터에 대한 시간이 많이 소요되는 라벨링 작업을 필요로 하며, 특히 법의학적 상황과 같이 신속한 적용이 요구되는 환경에서는 이를 제약한다. 이에 비해 비지도 도메인 적응(Unsupervised Domain Adaptation, UDA)은 소스 도메인에서 학습된 모델을 타겟 도메인으로 전이할 때 정체성 라벨 없이 특징 학습을 적응시키는 측면에서 유망한 대안으로 부상하고 있다. 그러나 대부분의 UDA 기반 알고리즘은 여러 하이퍼파라미터를 포함한 복잡한 손실 함수에 의존하며, 이는 다양한 시나리오로의 일반화를 어렵게 한다. 더불어 UDA는 도메인 간의 변환에 의존하므로, 미지의 타겟 도메인에서 가장 신뢰할 수 있는 데이터를 선별하는 것이 중요하다. 이는 노이즈가 많은 예시가 타겟 데이터에 오류 전파를 유도할 수 있기 때문이다. 이 문제는 종종 간과되지만 매우 중요한 요소이다. 본 연구에서는 이러한 문제를 해결하기 위해, 단 하나의 하이퍼파라미터만을 가진 간단한 손실 함수를 최적화하는 새로운 UDA 기반 ReID 방법을 제안한다. 이 방법은 클러스터 내 카메라의 다양성에 기반한 새로운 오프라인 전략을 통해 샘플의 트리플릿(삼중쌍)을 생성하고, 이를 통해 모델을 적응시키며 동시에 과적합을 방지하는 정규화 효과를 얻는다. 또한, 서로 다른 반복 단계에서 얻은 가중치를 통합하여 최종 모델을 구성하는 새로운 자기 앙상블(self-ensembling) 전략을 도입한다. 평가를 위해 세 가지 잘 알려진 딥러닝 아키텍처를 고려하고, 이를 종합적으로 활용하여 최종 결정을 내린다. 제안하는 방법은 타겟 도메인에 대한 사람 재정렬(person re-ranking)이나 라벨 정보를 전혀 사용하지 않으며, Market-to-Duke, 도전적인 Market1501-to-MSMT17, Duke-to-MSMT17 등의 적응 시나리오에서 기존 최고 성능(SOTA)을 뛰어넘는 결과를 보이며, 훨씬 간단한 설정으로도 뛰어난 성능을 달성한다.