La réidentification de personnes (re-ID) a connu un grand succès grâce aux méthodes d'apprentissage supervisé. Toutefois, la tâche de re-ID non supervisée à travers des domaines différents reste encore un défi. Dans cet article, nous proposons un cadre d'apprentissage appelé Rectification des Échantillons Difficiles (HSR), qui atténue la faiblesse des méthodes classiques basées sur le regroupement, particulièrement leur sensibilité aux échantillons positifs et négatifs difficiles présents dans le jeu de données cible non étiqueté. Notre approche HSR se compose de deux composants : une méthode d'extraction inter-caméras, permettant de reconnaître une même personne sous différentes vues (échantillons positifs difficiles), et une technique d'homogénéité par partie, qui aide le modèle à distinguer des personnes ayant une apparence similaire (échantillons négatifs difficiles). En corrigeant ces deux cas difficiles, le modèle de re-ID peut apprendre de manière plus efficace et atteindre des résultats prometteurs sur deux grands benchmarks.