La réidentification de véhicules (V-ReID) est une tâche cruciale consistant à associer le même véhicule à travers des images provenant de points de vue de caméras différents. De nombreuses études explorent les indices liés aux attributs pour améliorer la performance de la V-ReID ; toutefois, une interaction efficace entre les modules liés aux attributs et l'objectif final de la V-ReID est généralement absente. Dans ce travail, nous proposons une nouvelle méthode permettant d’extraire efficacement des informations discriminantes à partir des attributs du véhicule (tels que la couleur ou le type). Nous introduisons AttributeNet (ANet), un modèle qui extrait simultanément des caractéristiques pertinentes pour l’identité et des caractéristiques d’attributs. Une interaction est établie en distillant les caractéristiques d’attributs utiles pour la ReID, puis en les intégrant aux caractéristiques générales de ReID afin d’accroître leur pouvoir discriminant. Par ailleurs, nous proposons une contrainte, nommée Contrainte d’Amélioration (AC), qui incite la caractéristique résultante, après ajout des caractéristiques d’attributs à la caractéristique générale de ReID, à être plus discriminante que la caractéristique de ReID initiale. Nous validons l’efficacité de notre cadre sur trois jeux de données exigeants. Les résultats expérimentaux montrent que notre méthode atteint des performances de pointe par rapport aux approches existantes.