مسئله‌ی بازشناسایی شخص شامل بازیابی تصاویر یک فرد در میان تصاویر جمع‌آوری شده توسط مجموعه‌ای از دوربین‌های غیرهم‌پوشان می‌باشد. باوجود عملکرد موفق‌آمیز مدل‌های عمیق بازشناسایی شخص، هنگام آزمایش مدل روی مجموعه‌داده‌ی بدون برچسب متفاوت با مجموعه‌داده‌ی آموزشی برچسب‌گذاری شده، عملکرد مدل به شدت کاهش می‌یابد. برای حل این مشکل می‌توان از وفق‌دهی دامنه‌ی بدون نظارت استفاده کرد.در این پژوهش مدلی با تعمیم‌پذیری بالا برای وفق‌دهی دامنه‌ی بدون نظارت در مسئله‌ی بازشناسایی شخص ارائه شده است. در این مدل از مجموعه‌داده‌ی برچسب‌گذاری‌شده‌ی دامنه‌ی منبع و مجموعه‌داده‌ی بدون برچسب دامنه‌ی هدف برای آموزش مدل استفاده می‌شود و مدل باید در هنگام آزمایش روی دامنه‌ی هدف عملکرد مناسبی داشته باشد. برای این هدف، مدل پیشنهادی توسط سه تابع اتلاف بهینه‌سازی می‌شود.  مجموع تابع اتلاف یادگیری بانظارت ویژگی‌های دامنه‌ی منبع، تابع اتلاف یادگیری بدون نظارت ویژگی‌های دامنه‌ی هدف و یک تابع اتلاف سه‌گانه به‌منظور یادگیری توأم ویژگی‌های دامنه‌ی منبع و دامنه‌ی هدف، تابع اتلاف نهایی شبکه را تشکیل می‌دهد. مدل پیشنهادی با استراتژی دوم انتخاب همسایه‌ها در تنظیمات Duke→Market در رتبه‌ی 1 معیارCMC مقدار 84.5 درصد و مقدارmAP63 درصد و در تنظیمات Market→Duke در رتبه‌ی 1 معیارCMC مقدار 70.1 درصد و مقدار mAP49.1 درصد را به‌دست آورده است.