Les attributs, ou caractéristiques sémantiques, ont connu un regain d’intérêt au cours des dernières années dans divers domaines, allant de la reconnaissance d’activités dans les vidéos à la vérification faciale. Améliorer la précision des classifieurs d’attributs constitue une étape fondamentale dans toute application utilisant ces attributs. Dans la plupart des travaux réalisés à ce jour, les attributs étaient considérés comme indépendants. Or, nous savons que cette hypothèse est fausse. De nombreux attributs sont fortement corrélés, comme le maquillage lourd et le port du rouge à lèvres. Nous proposons d’exploiter les relations entre attributs de trois manières : en utilisant un réseau neuronal convolutif profond à plusieurs tâches (MCNN) partageant les couches les plus profondes pour tous les attributs, en partageant les couches supérieures pour les attributs corrélés, et en ajoutant un réseau auxiliaire au-dessus du MCNN, qui utilise les scores de tous les attributs pour améliorer la classification finale de chacun d’eux. Nous démontrons l’efficacité de notre méthode en présentant des résultats obtenus sur deux jeux de données publics exigeants.