本稿では、個人再識別（re-ID）における2つの一般的な畳み込みニューラルネットワーク（CNN）、すなわち検証モデルと分類モデルを見直します。これらの2つのモデルは、異なる損失関数によりそれぞれに優位性と制限があります。本論文では、これら2つのモデルを組み合わせてより判別力のある歩行者記述子を学習する方法について考察します。具体的には、同一性識別損失と検証損失を同時に計算する新しいシアムネットワークを提案します。訓練画像のペアが与えられた場合、ネットワークは2つの画像の同一性を予測し、それらが同じ人物に属するかどうかを判断します。当該ネットワークは判別的な埋め込みと類似度測定を同時に学習するため、アノテーションの効果的な活用が可能となります。単純な手法であるにもかかわらず、学習された埋め込みは2つの公開個人再識別ベンチマークで最先端の性能を向上させています。さらに、提案したアーキテクチャが画像検索にも適用可能であることを示しています。