사람 재식별(Person Re-Identification, Re-ID)에서 사람의 외형에 대한 구분 능력 있고 시점에 무관하며 다중 해상도의 표현을 다양한 의미 수준에서 학습하는 것은 매우 중요하다. 최근 연구 공동체는 전반적인 단일 의미 수준의 특징 표현을 포착하는 깊은 Re-ID 모델을 학습하기 위해 많은 노력을 기울여왔다. 성능 향상을 위해 추가적인 시각적 특징과 신체 부위 중심의 모델이 고려되었지만, 이러한 접근법은 방대한 인적 주석 작업을 필요로 하거나 추가적인 계산 자원을 요구한다. 본 연구에서는 다중 해상도 정보를 포착하는 피라미드 기반의 방법이 이러한 요구를 극복할 수 있다고 주장한다. 구체적으로, 사람의 시각적 정보를 나타내는 다중 해상도 스트라이프를 새로운 아키텍처가 다양한 의미 수준에서 잠재적인 구분 능력 있는 요소로 분해할 수 있다. 다중 작업 손실(Multi-task loss)과 교육 과정 학습 전략(Curriculum learning strategy)을 결합하여, 구분 능력 있고 시점에 무관한 사람 표현을 학습하고, 이를 삼중 비교 유사도 학습(Triplet-similarity learning)에 활용한다. 세 가지 기준 Re-ID 데이터셋에서의 실험 결과는 기존 방법보다 더 뛰어난 성능을 달성함을 보여준다(예: Duke-MTMC 데이터셋에서 90% 이상의 정확도).