Cette étude présente un nouveau cadre, intitulé « Optimisation et Raffinement Complète par Fusion Ensembliste dans l’Adaptation de Domaine pour la Réidentification de Personnes (CORE-ReID) », destiné à aborder le problème de l’Adaptation de Domaine Non Supervisée (UDA) en réidentification de personnes (ReID). Le cadre utilise CycleGAN pendant la phase de pré-entraînement afin de générer des données diversifiées, harmonisant les différences caractéristiques des images issues de différentes caméras. Durant la phase de fin-tuning, sur la base d’un couple de réseaux enseignant-élève, le cadre intègre des caractéristiques multi-vues pour un regroupement hiérarchique multi-niveau, permettant d’obtenir des pseudo-étiquettes diversifiées. Une composante de fusion ensembliste apprenable, centrée sur les informations locales fines au sein des caractéristiques globales, est introduite afin d’améliorer la complétude de l’apprentissage et de réduire l’ambiguïté liée à l’existence de plusieurs pseudo-étiquettes. Les résultats expérimentaux sur trois benchmarks courants d’UDA en ReID démontrent des gains de performance significatifs par rapport aux approches de pointe. Des améliorations supplémentaires, telles qu’un Bloc d’Attention sur les Canaux Efficace et une Normalisation de Moyenne Bidirectionnelle des Caractéristiques, permettent de réduire les effets de déviation, tandis que la fusion adaptative des caractéristiques globales et locales, réalisée via un modèle basé sur ResNet, renforce davantage le cadre. Le cadre proposé garantit une clarté des caractéristiques fusionnées, évite l’ambiguïté et atteint des performances élevées en termes de précision moyenne par rappel (Mean Average Precision), Top-1, Top-5 et Top-10, se positionnant ainsi comme une solution avancée et efficace pour l’UDA en réidentification de personnes.