Dans cet article, nous abordons le problème de la réidentification des personnes, qui consiste à associer les individus capturés par différentes caméras. Nous proposons une représentation simple mais efficace alignée sur les parties humaines pour traiter le problème de désalignement des parties du corps. Notre approche décompose le corps humain en régions (parties) discriminantes pour l'association des personnes, calcule les représentations sur ces régions et agrège les similarités calculées entre les régions correspondantes d'une paire d'images de requête et de galerie en tant que score global d'association. Notre formulation, inspirée par les modèles d'attention, est un réseau neuronal profond modélisant ces trois étapes ensemble, appris en minimisant la fonction de perte triplet sans nécessiter d'informations d'étiquetage des parties du corps. Contrairement à la plupart des algorithmes d'apprentissage profond existants qui apprennent une représentation globale ou locale basée sur une partition spatiale, notre méthode effectue une partition du corps humain et est donc plus robuste aux changements de posture et aux diverses distributions spatiales des individus dans la boîte englobante de la personne. Notre approche obtient des résultats de pointe sur des jeux de données standards tels que Market-1501, CUHK03, CUHK01 et VIPeR.