人物検索の目的は、シーン画像から照合対象となる人物を局所化し、一致させるものである。高い効率性を実現するため、単一のネットワークを用いて歩行者検出と識別という2つのサブタスクを同時に行うワンステップ手法が開発されている。現在のワンステップアプローチには、2つの主要な課題が存在する。1つは、複数のサブタスクの最適化目的が互いに干渉し合うことである。もう1つは、エンド・トゥ・エンド学習時に小バッチサイズが原因で識別特徴の学習がサブオプティマルになる点である。これらの問題を克服するため、本研究では「分離型かつメモリ強化型ネットワーク（DMRNet）」を提案する。具体的には、複数の最適化目標間の矛盾を緩和するために、従来の密結合型パイプラインを簡略化し、深く分離されたマルチタスク学習フレームワークを構築した。さらに、識別特徴の学習を強化するためのメモリ強化機構を構築した。この機構は、最近アクセスされたインスタンスの識別特徴をメモリバンクにキューイングすることで、ペアワイズメトリック学習における類似ペアの構築を拡張する。また、格納された特徴の符号化の一貫性を高めるために、ネットワークのスローモービング平均を用いてこれらの特徴を抽出している。このようにして、二重のネットワークが相互に強化しあい、堅牢な解状態へ収束する。実験の結果、提案手法はCUHK-SYSUおよびPRWデータセットにおいて、それぞれ93.2%および46.9%のmAPを達成し、既存のすべてのワンステップ手法を上回った。