Wir stellen einen adaptiven L2-Regularisierungsmechanismus im Kontext der Person-Re-Identification vor. In der Literatur ist es üblich, handverlesene Regularisierungsparameter zu verwenden, die während des gesamten Trainingsverlaufs konstant bleiben. Im Gegensatz zu bestehenden Ansätzen werden die Regularisierungsparameter in unserem vorgeschlagenen Verfahren adaptiv über den Backpropagation-Prozess aktualisiert. Dies wird erreicht, indem trainierbare Skalare als Regularisierungsparameter eingeführt werden, die anschließend einer skalierten hard-Sigmoid-Funktion zugeführt werden. Umfassende Experimente auf den Datensätzen Market-1501, DukeMTMC-reID und MSMT17 bestätigen die Wirksamkeit unseres Ansatzes. Besonders hervorzuheben ist die Erzielung von state-of-the-art-Leistung auf MSMT17, dem umfangreichsten Datensatz für die Person-Re-Identification. Der Quellcode ist öffentlich unter https://github.com/nixingyang/AdaptiveL2Regularization verfügbar.