يُعدّ التعرف على الأشخاص (ReID) المُتكيف مع المجال تحديًا كبيرًا نظرًا لوجود فجوة بين المجالات ونقص التصنيفات في السيناريوهات المستهدفة. وللتعامل مع هذين التحديين، تُقدّم هذه الورقة طريقة تحسين مترابطة تتضمن طريقتين: طريقة الخريطة المستقلة عن المجال (DIM) وتحسين المسافة العالمية-المحلي (GLO). على عكس الطرق السابقة التي تقوم بنقل المعرفة على مرحلتين، تُحقّق طريقة DIM نقل معرفة أكثر كفاءة في مرحلة واحدة من خلال تحويل الصور من مجموعات البيانات المُعلّمة وغير المُعلّمة إلى فضاء ميزة مشترك. أما GLO، فهي مصممة لتدريب نموذج ReID في بيئة غير مُعلّمة على المجال المستهدف. بدلًا من الاعتماد على استراتيجيات تحسين موجودة مُصممة لتدريب مُعلّم، تُشغّل GLO عددًا أكبر من الصور في عملية تحسين المسافة، مما يُعزز من مقاومتها لتنبؤات التصنيف الضوضائية. كما تدمج GLO تحسينات المسافة في كلاً من المستوى العام لمجموعة البيانات والمستوى المحلي للدفعة التدريبية، ما يُظهر كفاءة تدريب أعلى. أظهرت التجارب الواسعة على ثلاث مجموعات بيانات كبيرة، وهي Market-1501 وDukeMTMC-reID وMSMT17، أن طريقة التحسين المترابطة المُقترحة تتفوّق بفارق كبير على أحدث الطرق المُعتمدة. كما أظهرت أداءً ممتازًا في التدريب غير المُعلّم، حتى أنها تتفوّق على عدة طرق حديثة مُتكيفة مع المجال.