사람 재식별(Person Re-identification, ReID) 작업에는 가려짐(Occlusion) 및 크기 변동(Scale variation)과 같은 많은 도전 과제가 존재한다. 기존의 연구들은 일반적으로 단일 브랜치 네트워크를 활용하여 이러한 문제들을 해결하려 했다. 그러나 이러한 단일 브랜치 네트워크는 다양한 도전 과제에 대해 강건해야 하므로 과도한 부담을 지게 된다. 본 논문에서는 ReID 작업을 분할-정복(division-and-conquer) 전략으로 접근하는 새로운 방법을 제안한다. 이를 위해 다양한 도전 과제를 시뮬레이션하기 위해 여러 자율 학습(self-supervision) 연산을 도입하고, 각각의 문제에 대해 서로 다른 네트워크를 활용하여 처리한다. 구체적으로, 랜덤 어리징(Random Erasing) 연산을 사용하면서, 새로운 이미지를 제어 가능한 특성을 갖도록 생성하기 위해 새로운 랜덤 스케일링(Random Scaling) 연산을 제안한다. 이를 통해 다양한 시나리오를 효과적으로 다룰 수 있는 일반적인 다중 브랜치 네트워크를 도입하였으며, 이는 하나의 마스터 브랜치와 두 개의 서번트 브랜치로 구성된다. 각 브랜치는 상호 협력하며 서로 다른 인지 능력을 학습하게 된다. 이러한 방식으로 ReID 작업에서 발생하는 복잡한 시나리오들이 효과적으로 분리되며, 각 브랜치의 부담도 감소된다. 광범위한 실험 결과는 제안한 방법이 세 가지 ReID 벤치마크 및 두 가지 가려짐이 있는 ReID 벤치마크에서 최신 기술(SOTA) 성능을 달성함을 보여준다. 추가적인 아블레이션(Ablation) 실험을 통해 제안된 전략과 연산이 다양한 시나리오에서 성능 향상에 크게 기여함을 확인할 수 있었다. 코드는 https://git.openi.org.cn/zangxh/LDS.git 에 공개되어 있다.