أثبت الانتباه البصري فعاليته في تحسين أداء إعادة التعرف على الأشخاص (person re-identification). تطبق معظم الطرق الحالية الانتباه البصري بشكل تجريبي من خلال تعلُّم خريطة انتباه إضافية لإعادة وزن خرائط الميزات لتحسين أداء إعادة التعرف على الأشخاص. ومع ذلك، فإن هذه الطرق تزيد بالضرورة من تعقيد النموذج ووقت الاستدلال. في هذه الورقة، نقترح دمج تعلُّم الانتباه كأهداف إضافية ضمن شبكة إعادة التعرف على الأشخاص دون تغيير البنية الأصلية، مما يُحافظ على نفس زمن الاستدلال وحجم النموذج. تم اعتماد نوعين من الانتباه لجعل الخرائط المميزة المُتعلمة تدرك الشخص والجزء المتعلق من الجسم على التوالي. من الناحية الشاملة، يُشغّل فرع الانتباه الشامل (HAB) لجعل الخرائط المميزة المستمدة من البنية الأساسية تركز على الأشخاص، بهدف تقليل تأثير الخلفية. من الناحية المحلية، يُشغّل فرع الانتباه الجزئي (PAB) لتقسيم الميزات المستخرجة إلى عدة مجموعات، بحيث تُعنى كل مجموعة بشكل منفصل بجزء معين من الجسم (أي نقاط المفتاح)، مما يزيد من المقاومة للتغيرات في الوضعية والاختناقات الجزئية. يُعدّ هذان النوعان من الانتباه عامّين ويمكن دمجهما في الشبكات الحالية لإعادة التعرف على الأشخاص. وقد تم اختبار أدائه على شبكتين شائعتين (TriNet وBag of Tricks)، ولاحظ تحسنًا ملحوظًا في الأداء على خمسة مجموعات بيانات شائعة الاستخدام.