La réidentification de personnes consiste à identifier des individus à travers des caméras non chevauchantes. Bien que des progrès remarquables aient été accomplis dans ce domaine, il s’agit encore d’un problème difficile en raison des variations d’apparence du même individu, ainsi que des similitudes d’apparence entre des personnes différentes. Certaines méthodes antérieures ont tenté de résoudre ces problèmes en séparant les caractéristiques des échantillons positifs de celles des échantillons négatifs. Toutefois, les performances des modèles existants dépendent fortement des caractéristiques et des statistiques des échantillons utilisés pour l’entraînement. Ainsi, nous proposons un cadre novateur appelé SirNet (Sampling Independent Robust Feature Representation Network), qui apprend une représentation de caractéristiques désentrelacées à partir d’échantillons choisis aléatoirement. Une perte de discordance maximale indépendante du tirage, soigneusement conçue, est introduite afin de modéliser les échantillons d’une même personne comme un cluster. En conséquence, le cadre proposé peut générer automatiquement des exemples négatifs ou positifs difficiles supplémentaires à partir des caractéristiques apprises, améliorant ainsi la discriminabilité par rapport aux autres identités. Des résultats expérimentaux étendus sur des jeux de données de référence à grande échelle montrent que le modèle proposé est plus efficace que les méthodes de pointe précédentes.