Die Forschung zum Task der Re-Identifikation (ReID) gewinnt in der Computer Vision zunehmend an Dynamik, bedingt durch deren vielfältige Anwendungsgebiete und die Eigenschaft des Zero-Shot-Lernens. In diesem Artikel wird ein rechnerisch effizienter, feinabgestimmter ReID-Modell namens FGReID vorgestellt, das zu den ersten Modellen zählt, die sowohl Bild- als auch Video-ReID einheitlich behandeln, gleichzeitig aber die Anzahl der Trainingsparameter minimal hält. FGReID nutzt prätrainierte Modelle auf Basis von Videos sowie räumliche Merkmalsaufmerksamkeit, um die Leistung sowohl bei Video- als auch bei Bild-ReID-Aufgaben zu verbessern. FGReID erreicht den Stand der Technik (SOTA) auf den Video-Person-ReID-Benchmarks MARS, iLIDS-VID und PRID-2011. Durch die Aufhebung der zeitlichen Pooling-Operation entsteht ein Bild-ReID-Modell, das die SOTA-Leistung auf den Benchmarks CUHK01 und Market1501 für Personen-ReID in Bildern übertreffen kann. Zudem erzielt FGReID nahezu SOTA-Leistung auf dem Fahrzeug-ReID-Datensatz VeRi, was seine Fähigkeit zur Generalisierbarkeit unterstreicht. Zudem führen wir eine Ablationsstudie durch, um die entscheidenden Merkmale zu analysieren, die die Modellleistung bei ReID-Aufgaben beeinflussen. Abschließend diskutieren wir ethische Dilemmata im Zusammenhang mit ReID-Aufgaben, insbesondere das Potenzial für Missbrauch. Der Quellcode für diese Arbeit ist öffentlich unter https://github.com/ppriyank/Fine-grained-ReIdentification verfügbar.