La tâche de réidentification des personnes consiste à estimer de manière robuste les similarités visuelles entre les images de personnes. Cependant, la plupart des modèles existants de réidentification des personnes évaluent les similarités entre différentes paires d'images de requête et de galerie de manière indépendante, en ignorant les informations sur les relations entre ces paires. Par conséquent, l'estimation de la similarité pour certains échantillons difficiles peut ne pas être précise. Dans cet article, nous proposons un nouveau cadre d'apprentissage profond nommé Réseau Neuronal Guidé par la Similarité (SGGNN) pour surmonter ces limitations. Étant donné une image de requête et plusieurs images de galerie, le SGGNN crée un graphe représentant les relations binaires entre les paires requête-galerie (nœuds) et utilise ces relations pour mettre à jour les caractéristiques des relations requête-galerie de manière end-to-end. Une estimation précise des similarités peut être réalisée en utilisant ces caractéristiques mises à jour pour faire des prédictions. Les caractéristiques d'entrée pour les nœuds du graphe sont les caractéristiques relationnelles des différentes paires d'images requête-galerie. La mise à jour des caractéristiques relationnelles requête-galerie est ensuite effectuée par le passage de messages dans le SGGNN, qui prend en compte l'information des autres nœuds pour l'estimation de la similarité. Contrairement aux approches GNN conventionnelles, le SGGNN apprend directement les poids des arêtes avec des étiquettes riches de paires d'instances de galerie, ce qui fournit une information plus précise pour la fusion relationnelle. L'efficacité de notre méthode proposée a été validée sur trois jeux de données publics de réidentification des personnes.