人物再識別（ReID）タスクには、遮蔽（occlusion）やスケール変化といった多くの課題が存在する。従来の手法は通常、単一ブランチネットワークを用いてこれらの課題を解決しようとしている。しかし、この単一ブランチネットワークは多様な困難な状況に対して堅牢である必要があるため、過剰な負荷を負うことになり、性能の向上が制限される場合がある。本論文では、ReIDタスクを「分割して統治する（divide-and-conquer）」アプローチを提案する。具体的には、さまざまな困難な状況を模倣するための複数の自己教師学習（self-supervision）操作を導入し、それぞれの困難な問題に対して異なるネットワークを別途適用する。特に、ランダムエラージング（random erasing）操作を用い、新たな特徴を制御可能な形で生成できる新しいランダムスケーリング操作を提案する。これにより、特徴的な画像データを柔軟に生成することが可能になる。さらに、一つのマスターブランチと二つのサーバントブランチからなる汎用的なマルチブランチネットワークを導入し、異なる状況に対応する。これらのブランチは協調的に学習を行い、それぞれ異なる知覚能力を獲得する。このアプローチにより、ReIDタスクにおける複雑なシーンが効果的に分離され、各ブランチの負荷が軽減される。広範な実験の結果、提案手法は3つの一般的なReIDベンチマークおよび2つの遮蔽ありReIDベンチマークにおいて、最先端の性能を達成した。消去実験（ablation study）の結果からも、提案する枠組みおよび操作が、さまざまな状況下で顕著な性能向上をもたらすことが示された。コードは https://git.openi.org.cn/zangxh/LDS.git にて公開されている。