Los esquemas tradicionales de reidentificación (Re-ID) a menudo dependen de múltiples cámaras desde la misma perspectiva para buscar objetivos. Sin embargo, la colaboración entre cámaras fijas y vehículos aéreos no tripulados (UAVs) se está convirtiendo gradualmente en una nueva tendencia en el campo de la vigilancia. Enfrentando las significativas diferencias de perspectiva entre las cámaras fijas y las cámaras de UAV, la tarea de Re-ID se enfrenta a desafíos sin precedentes. En el entorno de una sola perspectiva, aunque se han logrado avances significativos en los modelos de Re-ID de personas, su rendimiento disminuye notablemente cuando se enfrentan a cambios drásticos de puntos de vista, como transiciones de perspectivas aéreas a nivel del suelo. Esta degradación en el rendimiento se atribuye principalmente a las marcadas variaciones entre puntos de vista y las diferencias significativas en la postura del sujeto y el fondo en diversas perspectivas. Los métodos existentes que se centran en el aprendizaje de características locales han demostrado ser subóptimos en tareas de Re-ID entre perspectivas. La razón radica en la distorsión de la perspectiva causada por el punto de vista superior de los drones, y en la información de textura más rica y detallada observada desde una perspectiva a nivel del suelo, lo que conduce a discrepancias notables en las características locales. Para abordar este problema, el presente estudio introduce un Modelo Multi-escala a Través de Vistas (MAVM) que extrae características en diversas escalas para generar una representación de características más rica y robusta. Además, incorporamos un Módulo de Alineación Cruzada de Vistas (AVAM) que ajusta finamente los pesos de atención, optimizando la respuesta del modelo a áreas críticas como la silueta, las texturas de la vestimenta y otras características clave. Esta mejora garantiza una alta precisión de reconocimiento incluso cuando los sujetos cambian de postura y condiciones de iluminación. Experimentos extensos realizados en el conjunto de datos público AG-ReID han demostrado la superioridad de nuestro método propuesto, que supera significativamente a las técnicas actuales más avanzadas.