Die Bewertung der Leistungsfähigkeit von Gesichtserkennungssystemen hat sich traditionell auf die ein-zu-ein-Verifizierung konzentriert, wie sie durch den Labeled Faces in the Wild-Datensatz für Bilder und den YouTubeFaces-Datensatz für Videos populär gemacht wurde. Im Gegensatz dazu vereint der neu veröffentlichte IJB-A-Gesichtserkennungsdatensatz die Bewertung der ein-zu-viele-Gesichtsidentifikation mit der ein-zu-ein-Verifizierung über Vorlagen, d.h. Mengen von Bildern und Videos einer Person.In dieser Arbeit untersuchen wir das Problem der Vorlagenanpassung, eine Form des Transfer-Learnings zur Medienmenge in einer Vorlage. Ausführliche Leistungsuntersuchungen am IJB-A-Datensatz zeigen überraschenderweise, dass möglicherweise die einfachste Methode der Vorlagenanpassung, die Kombination von Merkmalsvektoren tiefster Faltungsschichten (deep convolutional network features) mit linearen SVMs, die auf Vorlagen spezifisch sind, den aktuellen Stand der Technik um ein großes Maß übertrifft. Wir analysieren die Auswirkungen der Vorlagengröße, der Konstruktion negativer Mengen und der Klassifikatorfusion auf die Leistung und vergleichen anschließend die Vorlagenanpassung mit Faltungsschichten (convolutional networks), metrischem Lernen, 2D- und 3D-Ausrichtung.Unser unerwartetes Ergebnis ist, dass diese anderen Methoden, wenn sie mit der Vorlagenanpassung kombiniert werden, alle nahezu dieselbe Spitzenleistung bei template-basierter Gesichtsverifizierung und -identifikation im IJB-A-Datensatz erzielen.