Unsupervised Domain Adaptive (UDA) Person Re-Identification (ReID) hat aufgrund ihrer Effektivität im Zielbereich ohne manuelle Annotationen zunehmende Aufmerksamkeit erhalten. Die meisten auf Feinabstimmung basierenden UDA-Methoden für Person ReID konzentrieren sich darauf, globale Merkmale zur Generierung von Pseudolabels zu kodieren, wobei lokale Merkmale vernachlässigt werden, die detaillierte, feinkörnige Informationen liefern könnten. Um dieses Problem anzugehen, schlagen wir einen Learning Feature Fusion (LF2)-Framework vor, der adaptiv lernt, globale und lokale Merkmale zu fusionieren, um eine umfassendere Merkmalsrepräsentation zu erzielen. Konkret prätrainieren wir zunächst unser Modell im Quellbereich, um es anschließend auf dem unlabeled Zielbereich basierend auf einer Lehrer-Schüler-Trainingstrategie zu feinabzustimmen. Der durchschnittlich gewichtete Lehrernetzwerk dient zur Kodierung globaler Merkmale, während das Schülernetzwerk, das in jeder Iteration aktualisiert wird, für die Erfassung feinkörniger lokaler Merkmale verantwortlich ist. Durch die Fusion dieser mehrdimensionalen Merkmale wird eine mehrstufige Clustering-Strategie eingesetzt, um vielfältige Pseudolabels zu generieren. Insbesondere wird ein lernbarer Fusion-Modul (FM) vorgeschlagen, das die hervorgehobene Berücksichtigung feinkörniger lokaler Informationen innerhalb der globalen Merkmale sicherstellt und so eine verschwommene Lernung mehrerer Pseudolabels verhindert. Experimente zeigen, dass unser vorgeschlagener LF2-Framework die derzeit beste Leistung erreicht: 73,5 % mAP und 83,7 % Rank1 auf Market1501 zu DukeMTMC-ReID, sowie 83,2 % mAP und 92,8 % Rank1 auf DukeMTMC-ReID zu Market1501.