Die Person-Identifikation (re-ID) zielt darauf ab, dieselbe Person aus Bildern zu erkennen, die von verschiedenen Kameras aufgenommen wurden. Um diese anspruchsvolle Aufgabe zu bewältigen, stützen sich bestehende re-ID-Modelle typischerweise auf eine große Menge an gelabelten Trainingsdaten, was für reale Anwendungen nicht praktikabel ist. Um diese Einschränkung zu überwinden, richten Forscher nun ihre Aufmerksamkeit auf die cross-dataset re-ID, die darauf abzielt, die diskriminative Fähigkeit auf einen unlabeled target-Domain zu verallgemeinern, gegeben eine gelabelte source-Domain-Datenmenge. Um dieses Ziel zu erreichen, schlägt unsere vorgeschlagene Pose Disentanglement and Adaptation Network (PDA-Net) vor, tiefe Bildrepräsentationen zu lernen, bei denen Pose und Domäneninformation angemessen entkoppelt sind. Unter Verwendung des gelernten, domänenunabhängigen Pose-invarianten Merkmalsraums ermöglicht unsere PDA-Net eine unsupervisierte Pose-Entkoppelung über verschiedene Domänen hinweg, wobei die resultierenden Merkmale für die cross-dataset re-ID eingesetzt werden können. Sowohl qualitative als auch quantitative Ergebnisse auf zwei Benchmark-Datensätzen bestätigen die Wirksamkeit unseres Ansatzes und seine Überlegenheit gegenüber den aktuell besten cross-dataset re-ID-Methoden.