人物再識別（ReID）において、部位レベルの表現はロバスト性を確保するために重要であるが、実際の応用では、身体部位の位置ずれ問題により特徴の品質が低下する。本論文では、歩行者の画像から意味的に整合された部位レベル特徴を抽出することを目的として、ロバスト性・コンパクト性・使いやすさを兼ね備えた手法、すなわちマルチタスク部位意識型ネットワーク（Multi-task Part-aware Network, MPN）を提案する。MPNは、学習段階においてマルチタスク学習（MTL）を用いて身体部位の位置ずれ問題を解決する。具体的には、同一のバックボーンモデルの上に、各身体部位に対して1つのメインタスク（MT）と1つの補助タスク（AT）を構築する。ATは、訓練画像における身体部位の粗い位置事前知識（coarse prior）を備えており、この情報を用いてバックボーンモデルから部位に関連するチャネルを識別するようにMTのパラメータを最適化することで、MTに部位の概念を転移する。この概念転移は、2つの新規な整合戦略によって実現される：1つはハードパラメータ共有によるパラメータ空間の整合、もう1つはクラスごとの特徴空間における整合。学習により得られた高品質なパラメータを活用することで、テスト段階においてMTは独立して関連チャネルから意味的に整合された部位レベル特徴を抽出可能となる。MPNの主な利点は以下の3点である：1）推論段階で身体部位検出を実施する必要がない；2）モデルが非常にコンパクトで、学習・推論の両面で効率的である；3）学習段階では、部位位置の粗い事前知識のみを必要とし、容易に取得可能である。4つの大規模ReIDデータベースを用いた系統的な実験により、MPNが最先端手法を著しく上回る性能を一貫して達成することが示された。コードは以下のURLで公開されている：https://github.com/WangKan0128/MPN。