La Re-Identificación de Personas (ReID) ha experimentado mejoras tremendas con la ayuda de redes neuronales convolucionales profundas (CNN). Sin embargo, debido a que diferentes campos tienen sus propias características, la mayoría de los métodos existentes encuentran el problema de una pobre capacidad de generalización a personas invisibles. Para abordar este problema, basándonos en la relación entre el tiempo y la posición de la cámara, proponemos una estrategia de entrenamiento robusta y efectiva llamada suavizado temporal, reponderación dinámica y aprendizaje entre cámaras (TSDRC). Utiliza algoritmos robustos y efectivos para transferir conocimientos valiosos de dominios fuente etiquetados existentes a dominios objetivo no etiquetados. En la etapa de entrenamiento del dominio objetivo, TSDRC agrupa de manera iterativa las muestras en varios centros y reajusta dinámicamente las muestras no etiquetadas de cada centro con una puntuación de suavizado temporal. Luego, se propone una pérdida de tripleta entre cámaras para ajustar finamente el modelo del dominio fuente. En particular, para mejorar la discernibilidad de los modelos de CNN en el dominio fuente, se adaptan atributos de personas compartidos en general y una pérdida softmax basada en márgenes para entrenar el modelo fuente. En cuanto al dominio objetivo no etiquetado, las muestras se agrupan de manera iterativa en varios centros y las muestras no etiquetadas se reajustan dinámicamente desde cada centro. Luego, se propone una pérdida de tripleta entre cámaras para ajustar finamente el modelo del dominio fuente. Experimentos exhaustivos en los conjuntos de datos Market-1501 y DukeMTMC-reID demuestran que el método propuesto mejora enormemente el rendimiento de la adaptabilidad de dominio no supervisada.