人物再識別（person re-identification, person re-ID）は、一般的に画像検索問題として捉えられている。このタスクの目的は、大規模な画像データベース内から、指定されたクエリ人物を検索することである。実際の応用では、人物再識別は通常、自動検出器を用いて人物領域を切り出し、クロップされた歩行者画像を取得する。しかし、このプロセスには二種類の検出器の誤差が生じる。一つは過剰な背景領域の包含であり、もう一つは身体部位の欠落である。これらの誤差は、歩行者のアライメント（位置合わせ）の品質を低下させ、位置やスケールの変動により人物マッチングの精度を損なう可能性がある。このアライメントの不整合問題に対処するため、本研究では、識別プロセスからアライメントを学習可能であるという仮説を提示する。そこで、追加のアノテーションを必要とせず、判別性のある埋め込み表現学習と歩行者アライメントを同時に行える「歩行者アライメントネットワーク（Pedestrian Alignment Network, PAN）」を提案する。本研究の重要な観察結果は、畳み込みニューラルネットワーク（CNN）が異なる人物IDを識別するように学習する際、特徴マップは背景よりも人体領域に強い活性化を示す傾向があることである。この注意メカニズムを活用することで、提案するネットワークは、バウンディングボックス内に存在する歩行者を適応的に検出し、正確にアライメントすることができる。視覚的な例から、PANを用いることで歩行者がより良好にアライメントされていることが確認できる。3つの大規模な再識別データセットにおける実験結果から、PANが特徴埋め込みの判別能力を向上させ、最先端の手法と比較して競争力ある精度を達成することが確認された。