L’identification de personnes adaptative au domaine (re-ID) constitue une tâche difficile, en particulier lorsque les identités des individus dans les domaines cibles sont inconnues. Les méthodes existantes tentent de relever ce défi en transférant les styles d’images ou en alignant les distributions de caractéristiques entre domaines, tout en négligeant largement l’exploitation des riches échantillons non étiquetés présents dans les domaines cibles. Ce papier présente une nouvelle technique baptisée clustering discriminant augmenté (AD-Cluster), qui estime et enrichit les clusters d’individus dans les domaines cibles, tout en renforçant la capacité discriminante des modèles de re-ID grâce à ces clusters augmentés. AD-Cluster est entraîné par une itération de clustering basé sur la densité, d’augmentation adaptative des échantillons et d’apprentissage discriminant des caractéristiques. Il apprend un générateur d’images et un encodeur de caractéristiques, dont l’objectif est de maximiser la diversité intra-cluster dans l’espace des échantillons tout en minimisant la distance intra-cluster dans l’espace des caractéristiques, selon une approche adversarielle de minimax. En fin de compte, AD-Cluster augmente significativement la diversité des clusters d’échantillons et améliore considérablement la capacité discriminante des modèles de re-ID. Des expériences étendues sur les jeux de données Market-1501 et DukeMTMC-reID montrent que AD-Cluster surpasse largement les méthodes de pointe actuelles.