La plupart des méthodes existantes de réidentification de personnes (re-id) nécessitent un apprentissage supervisé de modèles à partir d'un ensemble distinct et important de données d'entraînement étiquetées par paires pour chaque paire de caméras. Cela limite considérablement leur évolutivité et leur utilisation dans des déploiements à grande échelle en milieu réel, où il est nécessaire de réaliser la réidentification de personnes à travers de nombreuses vues caméra. Pour résoudre ce problème d'évolutivité, nous développons une nouvelle méthode d'apprentissage profond permettant de transférer les informations étiquetées d'un jeu de données existant vers un nouveau domaine cible non vu (non étiqueté) pour la réidentification de personnes sans aucun apprentissage supervisé dans le domaine cible.Plus précisément, nous introduisons l'apprentissage profond par transfert conjoint d'attributs et d'identité (TJ-AIDL) pour apprendre simultanément un espace de représentation des caractéristiques qui soit sémantique en termes d'attributs et discriminatif en termes d'identité, et qui puisse être transféré à tout nouveau domaine cible non vu (i.e., apprentissage non supervisé dans le domaine cible) pour les tâches de réidentification. Des évaluations comparatives approfondies valident la supériorité de ce nouveau modèle TJ-AIDL pour la réidentification non supervisée des personnes sur une large gamme de méthodes avancées actuelles, sur quatre benchmarks difficiles comprenant VIPeR, PRID, Market-1501 et DukeMTMC-ReID.