人物再識別（re-ID）と属性認識は、歩行者の説明を学習することに共通の目標を持っています。両者の違いは粒度にあります。既存のほとんどのre-ID手法は、歩行者の同一性ラベルのみを考慮しています。しかし、私たちは詳細な局所的な説明を含む属性が、re-IDモデルがより判別力のある特徴表現を学習するのに有益であることを発見しました。本論文では、属性ラベルとIDラベルの補完性に基づいて、多タスクネットワークである属性-人物認識（APR）ネットワークを提案します。このネットワークは、re-ID埋め込みを学習すると同時に歩行者の属性を予測します。私たちは2つの大規模なre-IDデータセットに対して手動で属性ラベルを注釈し、人物再識別と属性認識がどのように互いに利益を得るかを系統的に調査しました。さらに、属性間の依存関係と相関関係を考えながら属性予測の重み付けを見直しました。2つの大規模なre-IDベンチマークでの実験結果は、より判別力のある表現を学習することでAPRが最先端の手法と競合する再識別性能を達成していることを示しています。Market-1501においては、精度が僅か2.92%低下する代わりに検索プロセスを10倍速くすることが可能となりました。また、APRを属性認識タスクにも適用し、ベースラインを超える改善が得られることも示しました。