Die Person-Identifikation (re-ID) hat mit überwachten Lernmethoden erhebliche Fortschritte erzielt. Die Aufgabe der unsupervisierten cross-domain re-ID bleibt jedoch weiterhin herausfordernd. In diesem Artikel stellen wir ein Hard Samples Rectification (HSR)-Lernverfahren vor, das die Schwäche ursprünglicher, auf Clustering basierender Methoden überwindet, die anfällig sind gegenüber schwierigen positiven und negativen Beispielen im Ziel-Datensatz ohne Labels. Unser HSR besteht aus zwei Komponenten: einer inter-kamerabasierten Minings-Methode, die die Erkennung einer Person unter verschiedenen Blickwinkeln (schwierige positive Beispiele) unterstützt, sowie einer teilspezifischen Homogenitäts-Technik, die es dem Modell ermöglicht, zwischen Personen zu unterscheiden, die eine ähnliche Erscheinung aufweisen (schwierige negative Beispiele). Durch die Korrektur dieser beiden schwierigen Fälle kann das re-ID-Modell effektiv lernen und auf zwei großen Benchmark-Datensätzen vielversprechende Ergebnisse erzielen.