La clé pour aborder la réidentification de personnes changeant de vêtements (ré-id) est d'extraire des caractéristiques non liées aux vêtements, par exemple, le visage, la coiffure, la forme du corps et la démarche. La plupart des travaux actuels se concentrent principalement sur la modélisation de la forme du corps à partir d'informations multi-modales (comme les silhouettes et les croquis), mais ne tirent pas pleinement parti des informations non liées aux vêtements présentes dans les images RGB originales. Dans cet article, nous proposons une perte adversaire basée sur les vêtements (Clothes-based Adversarial Loss, CAL) pour extraire des caractéristiques non liées aux vêtements à partir des images RGB originales en pénalisant la capacité prédictive du modèle de ré-id par rapport aux vêtements. De nombreuses expériences montrent que l'utilisation seule des images RGB permet à CAL de surpasser toutes les méthodes de pointe sur des bancs d'essai largement utilisés pour la réidentification de personnes changeant de vêtements. De plus, comparativement aux images, les vidéos contiennent des informations d'apparence plus riches et une information temporelle supplémentaire, qui peuvent être utilisées pour modéliser des motifs spatio-temporels appropriés afin d'aider à la réidentification de personnes changeant de vêtements. Comme il n'existe aucun ensemble de données vidéo public pour la réidentification de personnes changeant de vêtements, nous contribuons avec un nouveau jeu de données nommé CCVID et montrons qu'il existe encore beaucoup d'espace pour améliorer la modélisation des informations spatio-temporelles. Le code et le nouveau jeu de données sont disponibles à l'adresse suivante : https://github.com/guxinqian/Simple-CCReID.