Dans la recherche d’individus, notre objectif consiste à localiser une personne interrogée à partir d’une scène donnée au sein d’un ensemble de références (gallery) composé d’autres scènes. Le coût de cette opération de recherche dépend du nombre de scènes du gallery, ce qui rend avantageux de réduire le nombre de scènes potentielles susceptibles de contenir la personne recherchée. Nous décrivons et démontrons le Gallery Filter Network (GFN), un nouveau module capable d’éliminer efficacement des scènes du gallery lors du processus de recherche, tout en améliorant la qualité des scores attribués aux individus détectés dans les scènes restantes. Nous montrons que le GFN est robuste face à diverses conditions, en évaluant ses performances sur plusieurs jeux de données de récupération, incluant des scénarios à caméra croisée, à occlusion partielle et à faible résolution. En outre, nous avons conçu un modèle de base, appelé SeqNeXt, pour la recherche d’individus, qui améliore et simplifie le modèle original SeqNet. Nous démontrons que la combinaison SeqNeXt+GFN permet d’obtenir des gains significatifs de performance par rapport à d’autres méthodes de pointe sur les jeux de données standards PRW et CUHK-SYSU pour la recherche d’individus. Pour faciliter l’expérimentation avec ce modèle et d’autres, nous fournissons un ensemble d’outils standardisés pour le traitement des données et le pipeline d’évaluation couramment utilisés dans les recherches sur la reconnaissance d’individus.