Este documento propone un método de re-identificación de personas (Re-ID) entre dominios débilmente supervisado basado en datos de muestra pequeños. Con el fin de reducir el costo de la recolección y anotación de datos, el diseño del modelo se centra en extraer y abstraer la información contenida en los datos bajo condiciones limitadas. En este documento, nos enfocamos en los problemas de dependencia fuerte de los datos, capacidad débil entre dominios y baja precisión en Re-ID en escenarios débilmente supervisados. Nuestras contribuciones son las siguientes: primero, implementamos un marco de entrenamiento conjunto con la ayuda del aprendizaje de muestra pequeña y migración entre dominios para Re-ID. En segundo lugar, con la ayuda del módulo de compensación residual y atención de fusión, se diseña el módulo RCFA, y el marco del modelo se construye sobre esta base para mejorar la capacidad entre dominios del modelo. En tercer lugar, para resolver el problema de baja precisión causado por una cobertura insuficiente de datos de muestras pequeñas, se diseña una fusión de características superficiales y profundas para permitir que el modelo realice una fusión ponderada de información detallada superficial e información semántica profunda. Finalmente, seleccionando diferentes imágenes de cámaras en los conjuntos de datos Market1501 y DukeMTMC-reID como muestras pequeñas, respectivamente, e introduciendo otro conjunto de datos para el entrenamiento conjunto, demostramos la viabilidad de este marco de entrenamiento conjunto, que puede realizar una re-identificación entre dominios débilmente supervisada basada en datos de muestra pequeños.