Bei der Personen-Suche in Echtzeit zielen wir darauf ab, eine gesuchte Person aus einer Szene in anderen Galerie-Szenen zu lokalisieren. Die Kosten dieser Suchoperation hängen von der Anzahl der Galerie-Szenen ab, weshalb es vorteilhaft ist, die Menge der wahrscheinlichen Szenen zu reduzieren. Wir beschreiben und demonstrieren das Gallery Filter Network (GFN), ein neuartiges Modul, das effizient Galerie-Szenen aus dem Suchprozess ausschließen kann und gleichzeitig die Bewertung von in den verbleibenden Szenen detektierten Personen verbessert. Wir zeigen, dass das GFN unter einer Vielzahl unterschiedlicher Bedingungen robust ist, indem wir es an verschiedenen Retrieval-Set-Tests evaluieren, darunter Szenarien mit unterschiedlichen Kameras, Verdeckung und geringer Auflösung. Zusätzlich entwickeln wir das Basis-Modell SeqNeXt für die Personen-Suche, das das ursprüngliche SeqNet-Modell verbessert und vereinfacht. Wir zeigen, dass die Kombination aus SeqNeXt und GFN signifikante Leistungsverbesserungen gegenüber anderen state-of-the-art-Methoden auf den Standard-Datensätzen PRW und CUHK-SYSU für die Personen-Suche erzielt. Um die Experimentation für dieses und andere Modelle zu erleichtern, stellen wir standardisierte Werkzeuge für die Datenaufbereitung und Evaluierung bereit, die typischerweise im Bereich der Personen-Suche-Forschung verwendet werden.