إعادة تحديد الشخص هي مهمة استرجاع صعبة تتطلب مطابقة صورة شخص تم التقاطها عبر زوايا كاميرات غير متداخلة. في هذا البحث، نقترح نهجًا فعالًا يدمج معلومات الوضعية الدقيقة والخشنة للشخص لتعلم تمثيل تمييزي. على عكس الاتجاه الحديث المتمثل في نمذجة أجزاء الجسم بشكل صريح أو تصحيح الاختلالات بناءً عليها، نوضح أن إدخال زاوية الكاميرا المكتسبة و/أو مواقع المفاصل المكتشفة بطريقة مباشرة إلى شبكة عصبية انتقالية يساعد في تعلم تمثيل فعال للغاية. لتحسين أداء الاسترجاع، حظيت تقنيات إعادة الترتيب المستندة إلى المسافات المحسوبة باهتمام كبير مؤخرًا. نقترح إطار عمل جديد لإعادة الترتيب بدون إشراف وبشكل آلي يحقق أفضل الأداء في إعادة الترتيب. نوضح أن بخلاف طرق إعادة الترتيب الحالية التي تعتبر من أفضل ما هو موجود، فإن نهجنا لا يتطلب حساب قوائم رتب جديدة لكل زوج من الصور (مثل الجيران المتبادلين) ويؤدي بشكل جيد باستخدام مقارنات قائمة الرتب المباشرة أو حتى باستخدام المسافات الأقليدية المحسوبة بالفعل بين الصور. نوضح أن كل من تمثيلنا المستفاد ومنهجنا لإعادة الترتيب يحققان أفضل الأداء على عدد من مجموعات البيانات الصعبة المتعلقة بصور الفيديو والمراقبة.الكود متاح عبر الإنترنت على الرابط التالي: https://github.com/pse-ecn/pose-sensitive-embedding