行人重识别（re-id）的目的是在不同的摄像机上识别同一个人的图像。虽然无监督模型比有监督模型有更好的泛用性，但无监督的聚类会更容易受到噪声干扰。针对这一问题，本文提出了一个可以减少噪声干扰的模型反向骨干网（RBNet），利用反向骨干网学习姿态检测模型输出的人体关键点，调整局部空间信息并生成掩码，用生成掩码增强指定位置注意力。实验结果表明：对比baseline在Market-1501到DukeMTMC-reID的跨域实验结果，mAP提升了7.0%,Rank-1提升了6.4%。强化对不同局部信息的注意力，可有效提升模型准确率。