تهدف إعادة تحديد المركبات (Re-ID) إلى تحديد نفس المركبة عبر كاميرات مختلفة، مما يُعد دورًا مهمًا في أنظمة إدارة المرور الحديثة. وتشكل التحديات التقنية ضرورة لجعل الخوارزميات قوية في ظروف متعددة مثل الزوايا المختلفة، ودرجات الدقة، والاختناقات، والظروف الإضاءية المختلفة. في هذه الورقة، نبدأ بتحليل العوامل الرئيسية التي تعيق أداء إعادة تحديد المركبات. ثم نقدم حلولنا، والتي تركز بشكل خاص على مجموعة البيانات الخاصة بمسار التحدي الثاني في مسابقة AI City الخامسة، وتشمل: (1) تقليل الفجوة بين البيانات الحقيقية والبيانات المُحاكاة، (2) تعديل الشبكة من خلال تجميع عناصر متعددة (multi-heads) مع آلية الانتباه (attention mechanism)، (3) تعديل تلقائي لوزن الخسارة. حققت طريقة العمل لدينا نسبة 61.34% mAP على مجموعة اختبار CityFlow الخاصة دون استخدام بيانات خارجية أو تسمية وهمية، وتفوقت على جميع الأعمال السابقة التي تم نشرها، حيث حققت 87.1% mAP على معيار Veri. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/cybercore-co-ltd/track2_aicity_2021.