Unsupervised Person Re-Identification (Re-ID) bleibt eine herausfordernde Aufgabe. Während umfangreiche Forschungsarbeiten sich auf die Architekturgestaltung und die Verlustfunktion konzentrieren, zeigt diese Arbeit, dass auch die Sampling-Strategie eine ebenso entscheidende Rolle spielt. Wir analysieren die Ursachen für die Leistungsunterschiede zwischen verschiedenen Sampling-Strategien unter gleichbleibender Architektur und Verlustfunktion. Dabei stellen wir fest, dass eine verschlechterte Überanpassung (over-fitting) ein wesentlicher Faktor für schlechte Leistung ist, und dass die Verbesserung der statistischen Stabilität dieses Problem beheben kann. Darauf aufbauend wird ein einfacher, jedoch effektiver Ansatz vorgeschlagen, der als Group Sampling bezeichnet wird und Proben derselben Klasse zu Gruppen zusammenfasst. Der Modelltrainingsprozess erfolgt nun mit normalisierten Gruppensamples, wodurch der negative Einfluss einzelner Proben gemildert wird. Der Group Sampling aktualisiert die Pipeline zur Generierung von Pseudolabels, indem er sicherstellt, dass Proben effizienter in die korrekten Klassen klassifiziert werden. Zudem reguliert er den Prozess der Repräsentationslernung und verbessert progressiv die statistische Stabilität der Merkmalsrepräsentation. Umfangreiche Experimente auf den Datensätzen Market-1501, DukeMTMC-reID und MSMT17 zeigen, dass der Group Sampling eine Leistung erreicht, die mit den aktuell besten Methoden vergleichbar ist und die gegenwärtigen Techniken unter rein kamerainvarianten Bedingungen übertrifft. Der Quellcode ist unter https://github.com/ucas-vg/GroupSampling verfügbar.