In dieser Arbeit adressieren wir das Problem der Person-Reidentifikation, das sich auf die Zuordnung von Personen bezieht, die von verschiedenen Kameras aufgenommen wurden. Wir schlagen eine einfache, aber effektive menschliche Teile-alingierte Darstellung vor, um das Problem der Fehlanordnung von Körperteilen zu bewältigen. Unser Ansatz zerlegt den menschlichen Körper in Regionen (Teile), die für die Personenzuordnung diskriminativ sind, berechnet entsprechend die Darstellungen über diese Regionen und aggregiert die Ähnlichkeiten, die zwischen den entsprechenden Regionen eines Paars aus Abfrage- und Galeriebildern berechnet werden, als Gesamtpunktzahl zur Übereinstimmung. Unsere Formulierung, inspiriert durch Aufmerksamkeitsmodelle, ist ein tiefes neuronales Netzwerk, das die drei Schritte gemeinsam modelliert und durch Minimierung der Tripletten-Funktionsverlust ohne Körperteil-Beschriftungsinformation gelernt wird. Im Gegensatz zu den meisten existierenden Tiefen-Lernalgorithmen, die eine globale oder räumlich partitionierte lokale Darstellung lernen, führt unser Ansatz eine Partitionierung des menschlichen Körpers durch und ist daher robuster gegenüber Poseänderungen und verschiedenen räumlichen Verteilungen von Menschen im Bounding Box der Person. Unser Ansatz zeigt erstklassige Ergebnisse auf Standarddatensätzen wie Market-$1501$1501, CUHK$03$03, CUHK$01$01 und VIPeR.