La réidentification de personnes (Re-ID) a fait l’objet d’une étude approfondie et a connu des progrès significatifs. Toutefois, les méthodes traditionnelles de Re-ID reposent principalement sur les caractéristiques d’apparence liées aux vêtements, ce qui se révèle peu fiable dans des scénarios réels lorsque les individus changent de tenue. La réidentification de personnes en situation de changement de vêtements, qui prend en compte ce problème, attire actuellement une attention croissante. Toutefois, il est plus difficile d’apprendre des caractéristiques discriminantes de l’identité, car des variations intra-classe importantes et des différences inter-classe réduites apparaissent fréquemment dans l’espace des caractéristiques d’image en raison du changement de vêtements. Au-delà des caractéristiques d’apparence, certaines caractéristiques liées à l’identité, connues ou implicites (par exemple, la forme du corps), peuvent être intégrées de manière implicite dans les images. Dans cet article, nous proposons tout d’abord un nouveau module, le Shape Semantics Embedding (SSE), conçu pour encoder l’information sémantique relative à la forme du corps, l’une des pistes essentielles pour distinguer les piétons lorsqu’ils changent de vêtements. Afin de mieux compléter les caractéristiques d’image, nous introduisons également un cadre innovant, le Co-attention Aligned Mutual Cross-attention (CAMC). Contrairement aux stratégies de fusion basées sur l’attention précédentes, notre approche aligne d’abord les caractéristiques issues de plusieurs modalités, puis interagit efficacement et transfère de manière mutuelle des connaissances conscientes de l’identité mais indépendantes des vêtements entre l’espace d’image et l’espace de forme corporelle, aboutissant ainsi à une représentation de caractéristiques plus robuste. À notre connaissance, il s’agit du premier travail à utiliser un Transformer pour traiter l’interaction multimodale dans le cadre de la réidentification de personnes en situation de changement de vêtements. Des expériences étendues démontrent l’efficacité de notre méthode, qui atteint des performances supérieures sur plusieurs benchmarks de réidentification de personnes en situation de changement de vêtements. Le code source sera disponible à l’adresse suivante : url{https://github.com/QizaoWang/CAMC-CCReID}.