Die meisten Ansätze zur unsupervised Person Re-Identification (Re-ID) generieren Pseudolabels, indem sie die Merkmalsähnlichkeit messen, ohne die Verteilungsdisparität zwischen verschiedenen Kameras zu berücksichtigen, was zu einer verschlechterten Genauigkeit bei der Labelberechnung über Kameras hinweg führt. In dieser Arbeit wird dieser Herausforderung durch die Untersuchung einer neuen intra-inter-Kamera-Ähnlichkeitsmetrik zur Pseudolabelgenerierung begegnet. Wir zerlegen die Berechnung der Stichprobenähnlichkeit in zwei Schritte: die intra-kamerabasierte und die inter-kamerabasierte Berechnung. Die intra-kamerabasierte Berechnung nutzt direkt die CNN-Merkmale zur Ähnlichkeitsbestimmung innerhalb jeder Kamera. Die auf verschiedenen Kameras generierten Pseudolabels trainieren das Re-ID-Modell in einem mehrästigen Netzwerk. Im zweiten Schritt wird der Klassifikationswert jedes Samples auf verschiedenen Kameras als neuer Merkmalsvektor betrachtet. Dieser neue Merkmalsvektor wirkt effektiv der Verteilungsdisparität zwischen Kameras entgegen und ermöglicht die Erzeugung zuverlässigere Pseudolabels. Wir trainieren daher unser Re-ID-Modell in zwei Phasen, jeweils mit intra-kamerabasierten und inter-kamerabasierten Pseudolabels. Diese einfache intra-inter-Kamera-Ähnlichkeitsmethode erzielt erstaunlich gute Ergebnisse auf mehreren Datensätzen, beispielsweise eine Rank-1-Genauigkeit von 89,5 % auf dem Market1501-Datensatz, wodurch die neuesten unsupervisierten Ansätze um über 9 % übertroffen werden und die Leistung mit den aktuellsten Transfer-Learning-Ansätzen vergleichbar ist, die zusätzliche Annotationen nutzen.