Dans les tâches de réidentification de personnes (ReID) en situation réelle, de nombreuses études explorent l’apprentissage de caractéristiques partielles afin d’améliorer les performances par rapport aux caractéristiques globales extraites à partir de l’image entière. Les méthodes existantes extraient explicitement les caractéristiques partielles soit en divisant l’image selon un schéma prédéfini, soit en utilisant des points clés obtenus via des systèmes visuels externes. Dans ce travail, nous proposons d’apprendre des Parties implicites discriminantes (DiPs, Discriminative implicit Parts), qui sont découplées des parties corporelles explicites. Ainsi, les DiPs peuvent apprendre à extraire tout type de caractéristiques discriminantes pouvant aider à distinguer les identités, au-delà des parties corporelles prédéfinies (comme les accessoires). En outre, nous introduisons une nouvelle notion de position implicite, offrant une interprétation géométrique pour chaque DiP. Cette position implicite peut également servir de signal d’apprentissage afin de favoriser une invariance de position plus forte des DiPs par rapport à l’identité présente dans l’image. Enfin, un mécanisme de pondération supplémentaire des DiPs est proposé pour gérer efficacement les situations d’occlusion ou d’absence partielle, améliorant ainsi la représentation des caractéristiques des DiPs. Des expériences étendues montrent que la méthode proposée atteint des performances de pointe sur plusieurs benchmarks de réidentification de personnes.