Dieses Papier behandelt das Problem der domänenadaptiven Person-Wiedererkennung (re-ID): das Lernen eines re-ID-Modells aus einer etikettierten Quelldomäne und einer nicht-etikettierten Zieldomäne. Herkömmliche Methoden konzentrieren sich hauptsächlich darauf, die Verteilungsunterschiede der Merkmale zwischen Quelldomäne und Zieldomäne zu reduzieren. Diese Studien ignorieren jedoch weitgehend die innerdomänischen Variationen in der Zieldomäne, die entscheidende Faktoren sind, die die Testleistung in der Zieldomäne beeinflussen. In dieser Arbeit untersuchen wir umfassend die innerdomänischen Variationen der Zieldomäne und schlagen vor, das re-ID-Modell in Bezug auf drei Arten von grundlegenden Invarianteneigenschaften zu verallgemeinern, nämlich Exemplar-Invarianz, Kamera-Invarianz und Nachbarschafts-Invarianz. Um dieses Ziel zu erreichen, wird ein Exemplar-Speicher eingeführt, um Merkmale der Zieldomäne zu speichern und die drei Invarianzeigenschaften zu berücksichtigen. Der Speicher ermöglicht es uns, Invarianzbedingungen über den gesamten Trainingsbatch global durchzusetzen, ohne den Rechenaufwand erheblich zu erhöhen. Experimente zeigen, dass die drei Invarianzeigenschaften und der vorgeschlagene Speicher unerlässlich für ein effektives Domänenadaptationssystem sind. Die Ergebnisse auf drei re-ID-Domänen demonstrieren, dass unsere Domänenadaptationsgenauigkeit den aktuellen Stand der Technik deutlich übertreffen. Der Code ist unter folgender URL verfügbar: https://github.com/zhunzhong07/ECN