تهدف التكييف غير المُشرَّف للنطاق (UDA) إلى تكييف النموذج المدرب على مجموعة بيانات مصدر مُعلَّمة إلى مجموعة بيانات مستهدفة غير مُعلَّمة. وتكمن صعوبة مهمة UDA في إعادة التعرف على الأشخاص في بيئة مفتوحة (open-set re-ID) في كون الهويات (الفئات) لا تتداخل بين النطاقين. وكان أحد الاتجاهات البحثية الرئيسية يعتمد على التحويل بين النطاقات، إلا أن هذا الأسلوب قد فقد شعبيته في السنوات الأخيرة بسبب أداءه الأضعف مقارنة بأساليب استخدام العلامات الافتراضية (pseudo-labels). نحن نرى أن التحويل بين النطاقات يمتلك إمكانات كبيرة في استغلال البيانات القيّمة من النطاق المصدر، لكن الأساليب الحالية لم تقدِّم تنظيمًا مناسبًا لعملية التحويل. وبشكل خاص، ركّزت الطرق السابقة على الحفاظ على هويات الصور المحوَّلة، مع إهمال العلاقات بين العينات أثناء عملية التحويل. ولحل هذه التحديات، نقترح إطارًا متكاملًا لتكيف النطاق منstructured domain adaptation مع مصطلح تنظيم متسق للعلاقات على الإنترنت. أثناء التدريب، يتم تحسين مُشفِّر الميزات الشخصي لتمثيل العلاقات بين العينات بشكل فوري، وذلك لتوجيه التحويل المتسق للعلاقات بين النطاقات، والذي بدوره يُحسّن المُشفِّر باستخدام صور محوَّلة مُفيدة. ويمكن تحسين المُشفِّر أكثر باستخدام علامات افتراضية، حيث تُستخدم صور محوَّلة من المصدر إلى الهدف ذات هويات حقيقية، وصور من النطاق الهدف ذات هويات افتراضية، معًا في التدريب. وقد أظهرت التجارب أن الإطار المقترح يحقق أداءً متقدمًا على مستوى العالم في عدة مهام UDA لـ re-ID. وباستخدام صور محوَّلة من بيئة مُصَنَّعة إلى حقيقية من شبكتنا المُنظَّمة لتحويل النطاق، تمكنّا من تحقيق المركز الثاني في مسابقة التكييف البصري للنطاق (VisDA) لعام 2020.