La recherche de personnes vise à localiser et à identifier simultanément une personne interrogée à partir d’images réalistes non rognées, pouvant être considérée comme une tâche unifiée de détection de piétons et de réidentification de personnes (re-id). La plupart des travaux existants utilisent des détecteurs à deux étapes tels que Faster-RCNN, offrant une précision encourageante mais avec un coût computationnel élevé. Dans ce travail, nous présentons le Feature-Aligned Person Search Network (AlignPS), le premier cadre sans point d’ancrage (anchor-free) permettant de traiter efficacement cette tâche exigeante. AlignPS aborde explicitement les principaux défis, que nous résumons sous forme d’insuffisances d’alignement à différents niveaux (à savoir à l’échelle, au niveau de la région et au niveau de la tâche), lors de l’adaptation d’un détecteur sans point d’ancrage à cette tâche. Plus précisément, nous proposons un module d’agrégation de caractéristiques alignées afin de générer des représentations fonctionnelles plus discriminantes et plus robustes, en suivant un principe du type « re-id d’abord ». Ce design simple améliore directement le modèle de base sans point d’ancrage sur le jeu de données CUHK-SYSU de plus de 20 % en mAP. En outre, AlignPS dépasse les méthodes de pointe à deux étapes, tout en offrant une vitesse supérieure. Le code est disponible à l’adresse suivante : https://github.com/daodaofr/AlignPS