Debido a la variación en el proceso de captura de imágenes, la diferencia entre los conjuntos de origen y destino plantea un desafío en la adaptación de dominio no supervisada (UDA) en la reidentificación de personas (re-ID). Dado un conjunto de entrenamiento fuente etiquetado y un conjunto de entrenamiento de destino no etiquetado, este documento se centra en mejorar la capacidad de generalización del modelo re-ID en el conjunto de pruebas de destino. El método propuesto refuerza dos propiedades al mismo tiempo: (1) la invarianza de la cámara se logra a través del aprendizaje positivo formado por las imágenes de destino no etiquetadas y sus contrapartes de transferencia de estilo de cámara; y (2) se mejora la robustez de la extracción de características de la red de base, y se mejora la precisión de la extracción de características mediante la adición de un mecanismo de atención dual posición-canal. El modelo de red propuesto utiliza una red de doble flujo clásica. Los resultados experimentales comparativos en tres bancos de pruebas públicos demuestran la superioridad del método propuesto.