إعادة التعرف على الأشخاص (re-ID) هي مهمة صعبة نظرًا للتنوع العالي بين عينات الهوية والظروف البصرية. وعلى الرغم من التقدم الأخير في التعلم العميق الذي حقق دقة ملحوظة في المشاهد الثابتة، أي المجال المصدر، فإن عددًا قليلاً من الدراسات يمكنه التعميم بشكل جيد على المجال الهدف غير المرئي. إحدى الحلول الشائعة هي تعيين صور مجال الهدف غير المُعلَّمة بعلامات افتراضية من خلال التجميع، ثم إعادة تدريب النموذج. لكن طرق التجميع غالبًا ما تُدخل علامات ضوضائية وتحذف العينات ذات الثقة المنخفضة على أنها قيم شاذة، مما قد يعيق عملية إعادة التدريب ويحد من قدرة التعميم. في هذه الدراسة، نجادل بأن إضافة عملية فلترة للعينات بشكل صريح بعد التجميع يمكن أن تُستخدم العينات المستخرجة بكفاءة أكبر. ولتحقيق ذلك، قمنا بتصميم إطار عمل تعاوني غير متماثل (asymmetric co-teaching)، يقاوم العلامات الضوضائية من خلال التعاون بين نموذجين لاختيار عينات ذات علامات نظيفة محتملة لبعضهما البعض. وفي الوقت نفسه، يتلقى أحد النموذجين عينات بأقل قدر ممكن من الشوائب، بينما يستلم الآخر عينات متنوعة قدر الإمكان. يُشجع هذا الإجراء على أن تكون العينات المختارة للتدريب نظيفة ومتنوعة في آنٍ واحد، وأن يُعزز النموذجان بعضهما البعض بشكل تدريجي. أظهرت التجارب الواسعة أن الإطار المقترح يمكنه دائمًا أن يفيد معظم الطرق القائمة على التجميع، ويعزز دقة التكيف من المستوى الرائد. يمكن الوصول إلى الشفرة المصدرية عبر الرابط: https://github.com/FlyingRoastDuck/ACT_AAAI20.