La réidentification de personnes (re-ID) vise à reconnaître la même personne à partir d’images prises par des caméras différentes. Pour relever ce défi, les modèles de re-ID existants s’appuient généralement sur une grande quantité de données d’entraînement étiquetées, ce qui n’est pas pratique dans les applications réelles. Pour atténuer cette limitation, les chercheurs se concentrent désormais sur la réidentification croisant les jeux de données (cross-dataset re-ID), qui vise à généraliser la capacité discriminative vers un domaine cible non étiqueté, à condition de disposer d’un jeu de données source étiqueté. Pour atteindre cet objectif, nous proposons le réseau PDA-Net (Pose Disentanglement and Adaptation Network), conçu pour apprendre des représentations profondes d’images avec une séparation appropriée des informations de posture et de domaine. Grâce à l’espace de caractéristiques invariant à la posture appris de manière cross-domain, notre PDA-Net parvient à réaliser une désentrelacement de la posture entre domaines sans supervision par identité, et les caractéristiques obtenues peuvent être directement appliquées à la réidentification croisant les jeux de données. Nos résultats qualitatifs et quantitatifs sur deux jeux de données de référence confirment l’efficacité de notre approche, ainsi que son avantage par rapport aux méthodes de re-ID état-de-l’art en contexte cross-dataset.