Ce travail aborde le problème d'adaptation de domaine pour la ré-identification de personnes (re-ID) : l'apprentissage d'un modèle de ré-identification à partir d'un domaine source étiqueté et d'un domaine cible non étiqueté. Les méthodes conventionnelles visent principalement à réduire l'écart entre les distributions des caractéristiques dans les domaines source et cible. Cependant, ces études négligent largement les variations intra-domaine du domaine cible, qui contiennent des facteurs critiques influençant les performances de test sur ce domaine. Dans cette recherche, nous examinons de manière approfondie les variations intra-domaine du domaine cible et proposons de généraliser le modèle de re-ID en fonction de trois types d'invariance sous-jacente, à savoir l'invariance par exemple, l'invariance par caméra et l'invariance par voisinage. Pour atteindre cet objectif, une mémoire d'exemples est introduite pour stocker les caractéristiques du domaine cible et intégrer les trois propriétés d'invariance. Cette mémoire nous permet d'imposer des contraintes d'invariance sur l'ensemble du lot d'entraînement global sans augmenter considérablement le coût de calcul. Les expériences démontrent que les trois propriétés d'invariance et la mémoire proposée sont indispensables pour un système efficace d'adaptation de domaine. Les résultats sur trois domaines de re-ID montrent que notre précision d'adaptation de domaine dépasse nettement l'état de l'art. Le code est disponible à l'adresse suivante : https://github.com/zhunzhong07/ECN