Personen-Wiedererkennungsmodelle (Re-ID), die auf einem Bereich trainiert wurden, scheitern oft daran, sich auf einen anderen Bereich gut zu verallgemeinern. In unserem Ansatz stellen wir ein Framework vor, das als „Lernen durch Übersetzung“ bezeichnet wird. Als Baseline übersetzen wir die etikettierten Bilder vom Quellbereich zum Zielbereich auf nichtüberwachte Weise. Anschließend trainieren wir Re-ID-Modelle mit den übersetzten Bildern unter Verwendung überwachter Methoden. Allerdings leidet die nichtüberwachte Bild-Bild-Übersetzung, die ein wesentlicher Bestandteil dieses Frameworks ist, unter Informationsverlust der Quellbereichsetiketten während der Übersetzung.Unsere Motivation hat zwei Aspekte. Erstens sollten für jedes Bild die diskriminierenden Merkmale, die in seiner ID-Etikette enthalten sind, nach der Übersetzung erhalten bleiben. Zweitens, da beide Bereiche vollständig unterschiedliche Personen haben, sollte ein übersetztes Bild keiner der Ziel-ID-Bilder ähneln. Zu diesem Zweck schlagen wir vor, zwei Arten von nichtüberwachten Ähnlichkeiten zu bewahren: 1) die Selbstähnlichkeit eines Bildes vor und nach der Übersetzung und 2) die Domänenunterschiedlichkeit eines übersetzten Quellbildes und eines Zielbildes. Beide Einschränkungen werden in dem Ähnlichkeitsbewahrungsgenerativen Widersprüchlichen Netzwerk (SPGAN) implementiert, das aus einem Siamesischen Netzwerk und einem CycleGAN besteht. Durch Experimente zur Domänenanpassung zeigen wir, dass von SPGAN erzeugte Bilder besser für die Domänenanpassung geeignet sind und konsistente und wettbewerbsfähige Re-ID-Akkuratenzahlen auf zwei großen Datensätzen erzielen.