视觉注意力机制已被证明能够有效提升行人重识别（person re-identification, ReID）的性能。现有大多数方法通过学习一个额外的注意力图来重新加权特征图，从而以启发式方式引入视觉注意力。然而，这类方法不可避免地增加了模型复杂度和推理时间。本文提出一种新策略：在不改变原始网络结构的前提下，将注意力学习作为附加目标融入行人ReID网络中，从而在保持原有推理时间与模型规模不变的情况下实现性能提升。本文考虑了两种类型的注意力机制，分别使学习到的特征图关注整体行人信息与局部身体部位信息。在全局层面，提出全貌注意力分支（Holistic Attention Branch, HAB），引导骨干网络提取的特征图聚焦于行人主体，以减轻背景干扰。在局部层面，引入部分注意力分支（Partial Attention Branch, PAB），将提取的特征解耦为多个子组，并分别负责不同身体部位（即关键点）的表征，从而增强对姿态变化和部分遮挡的鲁棒性。这两种注意力机制具有通用性，可无缝集成至现有的各类ReID网络中。我们在两种典型网络（TriNet 和 Bag of Tricks）上进行了实验验证，结果表明，在五个广泛使用的公开数据集上均取得了显著的性能提升。