Die Person-Re-Identifikation stellt aufgrund verschiedener Gründe weiterhin eine herausfordernde Aufgabe im Bereich der Computer Vision dar. Auf der anderen Seite bleibt das inkrementelle Lernen ein Problem, da tiefen Lernmodelle neigen, bei der fortlaufenden Ausbildung an nachfolgenden Aufgaben das Phänomen des katastrophalen Vergessens zu erleiden. In dieser Arbeit schlagen wir ein Modell vor, das für mehrere Aufgaben in der Person-Re-Identifikation eingesetzt werden kann, dabei den aktuellen Stand der Technik in verschiedenen Aufgaben liefert und gleichzeitig erhebliche Genauigkeit auch bei nachfolgenden Aufgaben beibehält. Wir haben unser Modell anhand von zwei Datensätzen, Market 1501 und Duke MTMC, evaluiert. Umfangreiche Experimente zeigen, dass diese Methode das inkrementelle Lernen in der Person-ReID (Re-Identification) effizient ermöglicht sowie für andere Aufgaben im Bereich der Computer Vision.