人物再識別（ReID）の性能は大幅に向上しましたが、実際のシナリオにおける多くの課題がまだ十分に調査されていません。例えば、複雑なシーンや照明条件の変化、視点と姿勢の変化、カメラネットワーク内の多数の個人などです。これらの課題を克服する研究を促進するために、本論文では多くの重要な特徴を持つ新しいデータセットMSMT17を提供します。具体的には、1) 原動画は屋内と屋外の両方で配置された15台のカメラネットワークによって撮影されました、2) 動画は長い時間帯をカバーし、複雑な照明条件の変化を示しています、3) 現在までで最大数のアノテーション付き個人が含まれており、4,101人の個人と126,441個のバウンディングボックスが含まれています。また、データセット間でドメインギャップが一般的に存在することを観察しており、これは異なるデータセットでの学習とテスト時に著しい性能低下を引き起こします。これにより、利用可能な訓練データが新しいテストドメインに対して効果的に活用されないという問題が生じます。新規訓練サンプルのアノテーションにかかる高コストを軽減するために、私たちは人物転送生成対抗ネットワーク（Person Transfer Generative Adversarial Network, PTGAN）を提案します。包括的な実験結果から、PTGANによってドメインギャップが大幅に縮小できることを示しています。