Domain-adaptives Person Re-Identification (ReID) ist aufgrund der Domänenlücke und der geringen Anzahl an Annotationen in Ziel-Szenarien herausfordernd. Um diese beiden Herausforderungen anzugehen, schlägt dieser Artikel eine gekoppelte Optimierungsmethode vor, die jeweils die Domain-Invariante Abbildung (DIM) und die Global-Local-Distanz-Optimierung (GLO) umfasst. Im Gegensatz zu früheren Ansätzen, die Wissen in zwei Stufen übertragen, erreicht DIM eine effizientere einstufige Wissensübertragung, indem Bilder aus beschrifteten und unbeschrifteten Datensätzen in einen gemeinsamen Merkmalsraum abgebildet werden. GLO ist speziell für die unsupervised-Trainingsweise im Ziel-Domänenbereich konzipiert. Anstatt auf bestehende Optimierungsstrategien für überwachtes Lernen zurückzugreifen, berücksichtigt GLO bei der Distanzoptimierung eine größere Anzahl von Bildern und erreicht dadurch eine bessere Robustheit gegenüber fehlerhaften Labels. Zudem integriert GLO die Distanzoptimierung sowohl über das gesamte Datenset als auch innerhalb lokaler Trainingsbatches, wodurch eine höhere Trainings-Effizienz erzielt wird. Umfangreiche Experimente an drei großen Datensätzen – Market-1501, DukeMTMC-reID und MSMT17 – zeigen, dass unsere gekoppelte Optimierungsmethode die bisher besten Ansätze signifikant übertrifft. Unser Ansatz funktioniert zudem gut im unsupervised-Training und erreicht sogar eine bessere Leistung als mehrere neuere domain-adaptive Methoden.