무 supervision 도메인 적응(Person Re-identification, ReID) 기반의 사람 재식별 기술은 타겟 도메인에서 수동 레이블 없이도 효과적으로 성능을 발휘할 수 있다는 점에서 점점 더 주목받고 있다. 대부분의 미세조정 기반 무 supervision 도메인 적응(person ReID) 방법들은 가상 레이블 생성을 위해 전역 특징( global features)을 인코딩하는 데 초점을 맞추고 있으나, 세부 정보를 제공할 수 있는 국소 특징(local features)을 간과하고 있다. 이러한 문제를 해결하기 위해, 전역 특징과 국소 특징을 적응적으로 융합하여 보다 포괄적인 특징 표현을 얻기 위한 학습 특징 융합(Learning Feature Fusion, LF2) 프레임워크를 제안한다. 구체적으로, 먼저 소스 도메인에서 모델을 사전 학습한 후, 교사-학생 학습 전략에 기반하여 레이블이 없는 타겟 도메인에서 모델을 미세조정한다. 평균 가중치 교사 네트워크는 전역 특징을 인코딩하도록 설계되었으며, 각 반복 단계에서 업데이트되는 학생 네트워크는 세부적인 국소 특징을 담당한다. 이러한 다중 시점 특징을 융합함으로써 다수준 클러스터링을 통해 다양한 가상 레이블을 생성한다. 특히, 전역 특징 내에서 세부적인 국소 정보를 강조하기 위해 학습 가능한 융합 모듈(Fusion Module, FM)을 도입하여, 여러 가상 레이블에 대한 모호한 학습을 방지한다. 실험 결과, 제안하는 LF2 프레임워크는 Market1501에서 DukeMTMC-ReID로의 적응 시 73.5%의 mAP와 83.7%의 Rank1 성능을 달성하며 최첨단 기법을 상회하며, 반대로 DukeMTMC-ReID에서 Market1501로의 적응 시에는 83.2%의 mAP와 92.8%의 Rank1 성능을 기록하여 뛰어난 성능을 입증하였다.