الهوية المُعادَة للشخص (ReID) عبر كاميرات غير متداخلة تمثل مهمة صعبة، ولذلك تعتمد معظم الدراسات السابقة على تعلم الميزات المراقبة من خلال مجموعة بيانات مُسَمَّاة لتوحيد نفس الشخص في وجهات نظر مختلفة. ومع ذلك، تتطلب هذه الطريقة مهمة مُرهقة تتعلق بوضع العلامات على البيانات المُكتسبة، مما يمنع تطبيقها بسرعة، خصوصًا في السياقات الجنائية. تبرز طريقة التكييف غير المراقب (UDA) كحل بديل واعد، حيث تقوم بتعديل تعلم الميزات من نموذج تم تدريبه على مجال مصدر إلى مجال هدف دون الحاجة إلى علامات هوية. ولكن معظم الخوارزميات القائمة على UDA تعتمد على دالة خسارة معقدة تحتوي على عدد كبير من المعاملات الهيكلية، مما يعيق قدرتها على التعميم في سياقات مختلفة. علاوةً على ذلك، وبما أن UDA تعتمد على التحويل بين المجالات، فإن اختيار أدق البيانات من المجال غير المرئي يصبح أمرًا بالغ الأهمية، لتجنب انتشار الأخطاء الناتجة عن الأمثلة الضوضائية في البيانات المستهدفة – وهي مشكلة غالبًا ما تُهمل. في هذا السياق، نقترح طريقة جديدة قائمة على UDA لـ ReID، تُحسِّن دالة خسارة بسيطة تحتوي على معامل هيكلية واحد فقط، وتستفيد من مجموعات ثلاثية من العينات تم إنشاؤها عبر استراتيجية خارجية جديدة تعتمد على تنوع الكاميرات داخل كل مجموعة (Cluster). تُعد هذه الاستراتيجية الجديدة مُعدّلة للنموذج وتحسّن من تثبيته، مما يمنع التعلم الزائد (Overfitting) على المجال المستهدف. كما نقدّم أيضًا استراتيجية جديدة للensembling الذاتي، حيث يتم جمع الأوزان من تكرارات مختلفة لتكوين نموذج نهائي يدمج المعرفة من لحظات متعددة من عملية التكييف. لغرض التقييم، نأخذ بعين الاعتبار ثلاث هياكل معروفة لتعلم الآلة العميقة، ونستخدمها معًا لاتخاذ القرار النهائي. تتميز الطريقة المقترحة بعدم استخدام إعادة ترتيب الهوية (re-ranking) أو أي علامات على المجال المستهدف، وتفوق الأداء الحالي (state-of-the-art) بسهولة أكبر في الإعداد، في سيناريوهات التكييف التالية: Market إلى Duke، وMarket1501 إلى MSMT17 (التي تُعدّ صعبة جدًا)، وDuke إلى MSMT17.