사람 재식별(Person Re-Identification)은 겹치지 않는 카메라 시스템 내에서 쿼리 이미지와 일치하는 모든 인스턴스를 검색하는 데 목적이 있는 도전적인 과제이다. 시점의 다양한 극단적인 변화로 인해, 사람을 매칭하는 데 사용할 수 있는 국부적 영역이 억제되는 경우가 흔하며, 이로 인해 기존 방법들은 정보량이 적은 영역을 기반으로 이미지 간 유사도를 평가해야 하는 상황에 직면하게 된다. 본 연구에서는 Top DropBlock 기반의 Top-DB-Net을 제안한다. 이 방법은 네트워크가 장면의 전경에 주목하도록 유도하며, 특히 작업에 가장 관련성이 높은 영역에 집중하도록 하면서, 정보량이 낮은 영역 또한 고차원의 구별 가능 특징으로 인코딩함으로써 높은 구별력을 제공한다. Top-DB-Net은 세 가지 스트림으로 구성된다: (i) 글로벌 스트림은 백본(Backbone)을 통해 풍부한 이미지 정보를 인코딩하고, (ii) Top DropBlock 스트림은 백본이 정보량이 낮은 영역을 고차원의 구별 가능 특징으로 인코딩하도록 유도하며, (iii) 정규화 스트림은 두 번째 스트림의 드롭(drop) 과정에서 발생하는 노이즈를 완화하는 데 도움을 주며, 테스트 시 첫 번째 두 스트림을 사용한다. 세 가지 도전적인 데이터셋에서 실시한 광범위한 실험을 통해 제안된 방법이 최신 기법들과 비교하여 우수한 성능을 보임을 입증하였다. 정성적 결과를 통해 제안 방법이 입력 이미지의 신뢰할 수 있는 부분에 더 잘 집중하는 더 나은 활성화 맵을 생성함을 확인할 수 있었다.