الهدف من هذا البحث هو التعرف على الوجوه، سواء من صورة واحدة أو من مجموعة من الوجوه التي تتبع في فيديو. وقد ساهم التقدم الأخير في هذا المجال في حدّين رئيسيين: (أولاً) التعلم من الطرف إلى الطرف باستخدام شبكة عصبية متعددة الطبقات (CNN) للقيام بهذه المهمة، و(ثانياً) توفر مجموعات بيانات تدريب ضخمة جدًا. ونقدم في هذا العمل مساهمتين رئيسيتين: أولاً، نُظهر كيف يمكن جمع مجموعة بيانات ضخمة جدًا (2.6 مليون صورة، تشمل أكثر من 2600 شخص) من خلال دمج بين الأتمتة والتدخل البشري، ونناقش التنازلات بين نقاء البيانات وسرعة الإنجاز؛ ثانيًا، نستعرض التعقيدات المرتبطة بتدريب الشبكات العميقة والتعرف على الوجوه، ونقدّم طرقًا وإجراءات تُتيح تحقيق نتائج متميزة تُنافس أحدث النتائج المُحققة في المعايير القياسية لاختبارات التعرف على الوجوه LFW وYTF.