Ce travail se concentre sur le problème de la reconnaissance d'ensemble à ensemble, qui consiste à apprendre une métrique entre deux ensembles d'images. Les images de chaque ensemble appartiennent à la même identité. Étant donné que les images d'un ensemble peuvent être complémentaires, elles devraient permettre d'atteindre une précision plus élevée dans les applications pratiques. Cependant, la qualité de chaque échantillon ne peut pas être garantie, et les échantillons de mauvaise qualité peuvent nuire à la métrique. Dans cet article, nous proposons un réseau sensible à la qualité (Quality Aware Network - QAN) pour faire face à ce problème, où la qualité de chaque échantillon peut être apprise automatiquement, bien que ces informations ne soient pas explicitement fournies lors de l'entraînement. Le réseau comporte deux branches : la première branche extrait l'emboîtement des caractéristiques d'apparence pour chaque échantillon, tandis que l'autre branche prédit le score de qualité pour chaque échantillon. Les caractéristiques et les scores de qualité de tous les échantillons d'un ensemble sont ensuite agrégés pour générer l'emboîtement final des caractéristiques. Nous montrons que les deux branches peuvent être entraînées de manière end-to-end avec uniquement l'annotation d'identité au niveau de l'ensemble. Une analyse de la propagation du gradient de ce mécanisme indique que la qualité apprise par le réseau est bénéfique pour la reconnaissance d'ensemble à ensemble et simplifie la distribution que le réseau doit ajuster. Des expériences menées tant sur la vérification faciale que sur la ré-identification des personnes montrent les avantages du QAN proposé. Le code source et la structure du réseau peuvent être téléchargés à l'adresse suivante : https://github.com/sciencefans/Quality-Aware-Network.