Le mécanisme d'attention a été démontré comme étant efficace pour la ré-identification de personnes (Re-ID). Cependant, les plongements de caractéristiques attentifs appris ne sont souvent ni naturellement diversifiés ni non corrélés, ce qui compromet les performances de recherche basées sur la distance euclidienne. Nous soutenons que l'imposition de la diversité peut grandement compléter le pouvoir de l'attention. À cette fin, nous proposons un réseau attentif mais diversifié (ABD-Net), qui intègre de manière fluide des modules d'attention et une régularisation de diversité à travers l'ensemble du réseau, afin d'apprendre des caractéristiques représentatives, robustes et plus discriminantes. Plus précisément, nous introduisons un couple de modules d'attention complémentaires, se concentrant respectivement sur l'agrégation des canaux et la prise en compte des positions. De plus, une nouvelle forme efficace de contrainte d'orthogonalité est dérivée pour imposer l'orthogonalité aux activations cachées et aux poids. Par le biais d'études ablatives soigneuses, nous vérifions que les termes attentifs et diversifiés proposés contribuent chacun aux améliorations des performances d'ABD-Net. Sur trois benchmarks populaires, ABD-Net surpasse constamment les méthodes existantes de pointe.