نظرًا لأن مهمة إعادة التعرف على الأشخاص غالبًا ما تعاني من مشكلة تغيرات الوضعيات والاحتشادات، فإن بعض الخصائص المحلية المهمة غالبًا ما تُقمع أثناء تدريب شبكات العصبونات المت convoled (CNNs). في هذا البحث، نقترح شبكة Batch DropBlock (BDB) وهي شبكة ذات فرعين تتكون من ResNet-50 التقليدية كفرع عالمي وفرع إسقاط الخصائص. يرمي الفرع العالمي إلى ترميز التمثيلات العالمية البارزة. في الوقت نفسه، يتكون فرع إسقاط الخصائص من وحدة تعلم خصائص ملحوظة تسمى Batch DropBlock، والتي تسقط منطقة عشوائية متطابقة لجميع خرائط الميزات في الدفعة لتعزيز تعلم الخصائص الملحوظة للمناطق المحلية. ثم تقوم الشبكة بدمج الميزات من كلا الفرعين وتوفير تمثيل ميزات أكثر شمولية وموزعًا جغرافيًا. رغم بساطتها، حققت طريقتنا أداءً رائدًا في إعادة التعرف على الأشخاص وهي قابلة أيضًا للتطبيق على مهام التعلم القياسي العامة. على سبيل المثال، حققنا دقة Rank-1 بنسبة 76.4% على مجموعة بيانات CUHK03-Detect ونسبة Recall-1 بلغت 83.0% على مجموعة بيانات Stanford Online Products، مما يتفوق بشكل كبير على الأعمال الموجودة (بفارق أكثر من 6%).