تواجه مهمة إعادة تحديد الأشخاص (ReID) العديد من المشكلات الصعبة، مثل التغطية (الإغلاق) وتغير الحجم. عادةً ما تحاول الدراسات الحالية حل هذه المشكلات باستخدام شبكة ذات فرع واحد، والتي يجب أن تكون قوية أمام مختلف المشكلات الصعبة، ما يجعل هذه الشبكة مُثقلة بالمسؤوليات. تُقترح في هذه الورقة تقسيم المهمة وحلها بشكل منهجي (divide-and-conquer). ولتحقيق ذلك، نستخدم عدة عمليات ذاتية التعلم (self-supervision) لمحاكاة مشكلات صعبة مختلفة، ونُعالج كل مشكلة باستخدام شبكة مختلفة. بشكل محدد، نستخدم عملية الحذف العشوائي (random erasing) ونُقدّم عملية جديدة تُسمى "التكبير العشوائي" (random scaling) لتكوين صور جديدة ذات خصائص قابلة للتحكم. كما نُقدّم شبكة متعددة الفروع عامة، تتضمن فرعًا رئيسيًا وفرعين فرعيين، لمعالجة سيناريوهات مختلفة. تتعلم هذه الفروع معًا وتُطور قدرات إدراكية مختلفة. وبهذه الطريقة، يتم فصل السيناريوهات المعقدة في مهمة ReID بشكل فعّال، وتُخفّف العبء عن كل فرع. أظهرت نتائج التجارب الواسعة أن الطريقة المقترحة تحقق أداءً متقدمًا على مستوى العالم (state-of-the-art) على ثلاث معايير معيارية لـ ReID، وعلى معيارين لـ ReID المُغطاة. كما أظهرت دراسة التحليل التجريبي (ablation study) أن المخطط والعمليات المقترحة تُحسّن الأداء بشكل ملحوظ في مختلف السيناريوهات. يمكن الوصول إلى الكود من خلال الرابط التالي: https://git.openi.org.cn/zangxh/LDS.git.