إعادة التعرف على الشخص (إعادة التعرف) والتعرف على الصفات تشتركان في الهدف المتمثل في تعلم وصف المشاة. يكمن الاختلاف بينهما في الدقة. معظم الأساليب الحالية لإعادة التعرف تأخذ بعين الاعتبار فقط ملصقات الهوية للمشاة. ومع ذلك، نجد أن الصفات، التي تحتوي على وصف محلي مفصل، تكون مفيدة في تمكين نموذج إعادة التعرف من تعلم تمثيلات خصائص أكثر تمييزًا. في هذا البحث، استنادًا إلى تكاملية ملصقات الصفات وملصقات الهوية، نقترح شبكة إعادة التعرف والتعرف على الشخص (APR)، وهي شبكة متعددة المهام تتعلم غرسان إعادة التعرف وتتنبأ بصفات المشاة في الوقت نفسه. قمنا بتصنيف ملصقات الصفات يدويًا لاثنين من قواعد البيانات الكبيرة لإعادة التعرف، وقمنا بالتحقيق بشكل منهجي في كيفية الاستفادة المتبادلة بين إعادة التعرف على الشخص والتعرف على الصفات. بالإضافة إلى ذلك، أعدنا وزن التنبؤات الخاصة بالصفات مع مراعاة الارتباطات والروابط بين الصفات. أظهرت النتائج التجريبية على قاعدتي بيانات كبيرتين لإعادة التعرف أن APR تحقق أداءً تنافسيًا لإعادة التعرف مقارنة بأحدث الأساليب عن طريق تعلم تمثيل أكثر تمييزًا. استخدمنا APR لتسريع عملية الاسترجاع بمقدار عشرة أضعاف مع انخفاض طفيف في الدقة بنسبة 2.92% على Market-1501. علاوة على ذلك، طبقنا APR أيضًا في مهمة التعرف على الصفات وأظهرنا تحسينًا فوق الخطوط الأساسية (baselines).