La réidentification de véhicules (Re-ID) vise à identifier le même véhicule à travers différentes caméras, jouant ainsi un rôle crucial dans les systèmes modernes de gestion du trafic. Les défis techniques imposent que les algorithmes soient robustes face à des variations de vue, de résolution, d’occlusion et d’éclairage. Dans cet article, nous analysons d’abord les principaux facteurs limitant les performances de la réidentification de véhicules. Nous présentons ensuite nos solutions, spécifiquement conçues pour le jeu de données Track 2 du 5e défi AI City, comprenant : (1) la réduction de l’écart de domaine entre les données réelles et synthétiques, (2) une modification du réseau par empilement de plusieurs têtes avec mécanisme d’attention, et (3) un ajustement adaptatif des poids des pertes. Notre méthode atteint un taux de 61,34 % de mAP sur le jeu de test privé CityFlow sans recourir à des données externes ni à une étiquetage par pseudo-étiquettes, et surpasser toutes les méthodes antérieures avec un score de 87,1 % de mAP sur le benchmark Veri. Le code source est disponible à l’adresse suivante : https://github.com/cybercore-co-ltd/track2_aicity_2021.