أثبتت آلية الانتباه (Attention Mechanism) فعاليتها في إعادة التعرف على الأفراد (Person Re-Identification - Re-ID). ومع ذلك، فإن الميزات المضمنة التي يتم تعلمها من خلال هذه الآلية غالبًا ما تكون غير متنوعة بشكل طبيعي ولا مستقلة، مما يؤدي إلى تراجع أداء الاسترجاع القائم على المسافة الأقليدية (Euclidean Distance). ندعو إلى أن فرض التنوع يمكن أن يكمل بشكل كبير قوة الانتباه. لهذا الغرض، نقترح شبكة انتباه ولكن متنوعة (Attentive but Diverse Network - ABD-Net)، والتي تدمج بسلاسة وحدات الانتباه والتنظيم التنوعي عبر الشبكة بأكملها، لتعلم ميزات تمثيلية وقوية وأكثر تمييزًا. تحديدًا، نقدم زوجًا من وحدات الانتباه التكميلية، تركز الأولى على جمع القنوات (Channel Aggregation) والثانية على الوعي بالموقع (Position Awareness). علاوة على ذلك، تم اشتقاق شكل جديد وكفء من قيد التعامد (Orthogonality Constraint) لفرض التعامد على كل من التنشيطات الخفية والأوزان. من خلال دراسات تقليص متأنية، نؤكد أن المصطلحات المقترحة للانتباه والتنوع تسهم كل منها في زيادة أداء ABD-Net. وعلى ثلاثة مقاييس شائعة، حققت ABD-Net أداءً أفضل باستمرار مقارنة بالطرق الرائدة الحالية.