Vehicle Re-Identification (Re-ID) zielt darauf ab, dasselbe Fahrzeug über verschiedene Kameras hinweg identifiziert wird, und spielt daher eine entscheidende Rolle in modernen Verkehrsmanagementsystemen. Die technischen Herausforderungen erfordern, dass Algorithmen robust gegenüber unterschiedlichen Blickwinkeln, Auflösungen, Verdeckungen und Beleuchtungsbedingungen sein müssen. In diesem Paper analysieren wir zunächst die zentralen Faktoren, die die Leistung der Vehicle Re-ID beeinträchtigen. Anschließend präsentieren wir unsere Lösungen, die speziell auf die Datensatz-Track 2 der 5. AI City Challenge abgestimmt sind und folgende Ansätze umfassen: (1) Reduzierung der Domänenlücke zwischen echten und synthetischen Daten, (2) Anpassung des Netzwerks durch Stapelung mehrerer Kopfmodule mit Aufmerksamkeitsmechanismus, (3) adaptive Anpassung der Verlustgewichte. Unsere Methode erreicht eine mAP von 61,34 % auf dem privaten CityFlow-Testset, ohne externe Datensätze oder Pseudolabeling zu nutzen, und übertrifft alle vorherigen Ansätze mit einer mAP von 87,1 % auf dem Veri-Benchmark. Der Quellcode ist unter https://github.com/cybercore-co-ltd/track2_aicity_2021 verfügbar.