L’identification de personnes adaptative au domaine (ReID) est un défi en raison de l’écart de domaine et du manque d’étiquettes dans les scénarios cibles. Pour relever ces deux défis, cette étude propose une méthode d’optimisation couplée comprenant deux composantes : la méthode de cartographie invariante au domaine (DIM) et l’optimisation de distance globale-locale (GLO). Contrairement aux méthodes précédentes qui transfèrent les connaissances en deux étapes, DIM réalise un transfert de connaissance plus efficace en une seule étape en projetant les images provenant des ensembles de données étiquetés et non étiquetés dans un espace de caractéristiques partagé. GLO est conçue pour entraîner un modèle ReID dans un cadre non supervisé sur le domaine cible. À la différence des stratégies d’optimisation existantes conçues pour l’apprentissage supervisé, GLO intègre un plus grand nombre d’images dans l’optimisation des distances, ce qui confère une meilleure robustesse aux prédictions erronées d’étiquettes. De plus, GLO intègre l’optimisation des distances à la fois au niveau de l’ensemble de données global et au niveau des lots d’entraînement locaux, offrant ainsi une efficacité d’entraînement supérieure. Des expériences étendues sur trois grands jeux de données — Market-1501, DukeMTMC-reID et MSMT17 — démontrent que notre méthode d’optimisation couplée surpasse largement les approches les plus avancées de l’état de l’art. Notre méthode se révèle également performante dans un cadre d’apprentissage non supervisé, dépassant même plusieurs méthodes récentes d’adaptation de domaine.