대부분의 비지도(person Re-Identification, Re-ID) 기법들은 카메라 간 분포 불일치를 고려하지 않고 특성 유사도를 측정하여 가짜 레이블(pseudo-label)을 생성함으로써, 카메라 간 레이블 계산 정확도가 저하되는 문제를 겪고 있다. 본 논문은 이러한 문제를 해결하기 위해 새로운 내-외 카메라 유사도(intra-inter camera similarity)를 활용한 가짜 레이블 생성 방식을 제안한다. 우리는 샘플 유사도 계산을 두 단계로 분해한다. 첫 번째 단계는 각 카메라 내에서 직접 CNN 특징을 활용하여 내 카메라(intra-camera) 유사도를 계산하는 것으로, 각 카메라에서 생성된 가짜 레이블을 다중 브랜치 네트워크를 통해 Re-ID 모델을 훈련시킨다. 두 번째 단계에서는 각 샘플이 서로 다른 카메라에서 예측한 분류 점수를 새로운 특성 벡터로 간주한다. 이 새로운 특성 벡터는 카메라 간 분포 불일치를 효과적으로 완화하고, 더 신뢰할 수 있는 가짜 레이블을 생성한다. 따라서 본 연구는 내 카메라 및 외 카메라 가짜 레이블을 각각 활용하여 두 단계에 걸쳐 Re-ID 모델을 훈련한다. 이 간단한 내-외 카메라 유사도 방식은 여러 데이터셋에서 놀라운 성능을 보이며, 예를 들어 Market1501 데이터셋에서 순위-1 정확도(rank-1 accuracy)가 89.5%에 달해 최근의 비지도 기법들보다 9% 이상 우수하며, 추가 레이블 정보를 활용하는 최신 전이 학습(transfer learning) 기법과도 경쟁 가능한 성능을 달성한다.