Bien qu’un progrès significatif ait été accompli dans le domaine de la ré-identification supervisée de personnes (re-id), il reste difficile de généraliser ces modèles à de nouveaux domaines en raison des écarts de domaine importants. Récemment, un intérêt croissant s’est porté sur l’utilisation de l’adaptation de domaine non supervisée afin de résoudre ce problème d’évolutivité. Les méthodes existantes effectuent généralement l’adaptation dans un espace de représentation contenant à la fois des facteurs liés à l’identité et des facteurs indépendants de l’identité, ce qui compromet inévitablement l’efficacité de l’adaptation des caractéristiques liées à l’identité. Dans cet article, nous cherchons à améliorer l’adaptation en purifiant l’espace de représentation à adapter. À cette fin, nous proposons un cadre d’apprentissage conjoint qui décompose les caractéristiques liées et non liées à l’identité, et impose que l’adaptation s’effectue exclusivement sur l’espace des caractéristiques liées à l’identité. Notre modèle comprend un module de décomposition qui encode les images provenant de domaines différents dans un espace d’apparence partagé ainsi que dans deux espaces structurels distincts, et un module d’adaptation qui réalise une alignement adversarial et un auto-entraînement sur l’espace d’apparence partagé. Les deux modules sont conçus conjointement pour s’entraider mutuellement. Des expériences étendues montrent que le cadre d’apprentissage conjoint proposé surpasse clairement les méthodes de pointe.