La réidentification de personnes (Re-ID) vise à reconnaître la même personne à partir d'images prises par différentes caméras. Pour aborder cette tâche, il est généralement nécessaire de disposer d'un grand volume de données étiquetées pour former un modèle Re-ID efficace, ce qui peut ne pas être pratique dans les applications réelles. Afin d'atténuer cette limitation, nous choisissons d'exploiter une quantité suffisante de données pré-existantes et étiquetées provenant d'un autre jeu de données (auxiliaire). En considérant conjointement ce jeu de données auxiliaire et le jeu de données d'intérêt (mais sans informations d'étiquetage), notre réseau proposé d'adaptation et de réidentification (ARN) effectue une adaptation non supervisée du domaine, qui utilise les informations entre les jeux de données et dérive des caractéristiques invariantes au domaine pour les besoins de la Re-ID. Dans nos expériences, nous vérifions que notre réseau se compare favorablement aux approches Re-ID non supervisées les plus avancées actuellement disponibles, et même surpasse plusieurs méthodes Re-ID de base qui nécessitent des données entièrement supervisées pour l'entraînement.