تقييم أداء التعرف على الوجه كان يركز تقليديًا على التحقق من هوية شخص واحد إلى شخص واحد، وهو ما اشتهر به مجموعات البيانات مثل Labeled Faces in the Wild (LFIW) للصور و YouTubeFaces للفيديوهات. بخلاف ذلك، فإن مجموعة بيانات التعرف على الوجه الجديدة IJB-A توحّد تقييم التعرف على الوجه من شخص واحد إلى العديد من الأشخاص مع التحقق من هوية شخص واحد إلى شخص واحد عبر القوالب، أو مجموعات الصور والفيديوهات الخاصة بالشخص. في هذا البحث، ندرس مشكلة تكيف القالب، وهي شكل من أشكال التعلم النقل إلى مجموعة الوسائط في القالب. تقييمات الأداء الشاملة على IJB-A تظهر نتيجة مفاجئة، وهي أن ربما أسهل طريقة لتكييف القالب، وهي دمج خصائص شبكات الدوران العميقة مع آلات المتجهات الداعمة الخطية الخاصة بالقالب (SVM)، تتفوق بشكل كبير على أفضل التقنيات الحالية. ندرس آثار حجم القالب، وبناء مجموعة السيناريوهات السلبية، ودمج المصنفات على الأداء، ثم نقارن بين تكييف القالب والشبكات الدورانية مع التعلم بالأمثلة (metric learning)، والمحاذاة ثنائية الأبعاد والثلاثية الأبعاد. استنتاجنا غير المتوقع هو أن هذه الطرق الأخرى، عند دمجها مع تكييف القالب، جميعها تحقق أداءً أعلى مماثلًا تقريبًا على IJB-A للتعرف على الوجه والتحقق منه بناءً على القوالب.