Die Personen-Wiedererkennung ist eine anspruchsvolle Retrieval-Aufgabe, die das Zuordnen von Bildern einer Person über nicht überlappende Kameraansichten erfordert. In dieser Arbeit schlagen wir einen effektiven Ansatz vor, der sowohl feine als auch grobe Poseinformationen der Person einbezieht, um eine diskriminative Einbettung zu lernen. Im Gegensatz zur aktuellen Richtung, bei der Körperpartien explizit modelliert oder Fehlanpassungen auf deren Grundlage korrigiert werden, zeigen wir, dass eine eher direkte Einbeziehung der erworbenen Kameraansicht und/oder der detektierten Gelenkpositionen in ein konvolutionsbasiertes neuronales Netzwerk hilft, eine sehr effektive Darstellung zu lernen.Um die Retrieval-Leistung zu verbessern, haben sich in letzter Zeit re-Ranking-Techniken basierend auf berechneten Distanzen zunehmend durchgesetzt. Wir stellen einen neuen unsupervisierten und automatischen Re-Ranking-Framework vor, das Spitzenleistungen im Re-Ranking erzielt. Wir zeigen, dass im Gegensatz zu den aktuellen besten Re-Ranking-Methoden unser Ansatz nicht für jedes Bildpaar neue Ranglisten berechnen muss (z.B. basierend auf gegenseitigen Nachbarn) und durch einfache direkte Vergleiche von Ranglisten oder sogar nur durch die Nutzung bereits berechneter euklidischer Distanzen zwischen den Bildern gute Ergebnisse liefert.Wir demonstrieren, dass sowohl unsere gelernte Darstellung als auch unsere Re-Ranking-Methode auf mehreren anspruchsvollen Überwachungsdatensätzen für Bilder und Videos Spitzenleistungen erzielen.Der Code ist online verfügbar unter: https://github.com/pse-ecn/pose-sensitive-embedding