Die Lokalisierung von Gesichtslandmarken zielt darauf ab, vordefinierte Punkte am menschlichen Gesicht zu detektieren, wobei dieses Thema durch die jüngsten Fortschritte in der Entwicklung neuronaler Netzwerke stark vorangekommen ist. Dennoch bleibt die Aufgabe herausfordernd, insbesondere bei Gesichtern in unbeschränkten Szenarien mit starken Pose-Variationen. In diesem Artikel konzentrieren wir uns auf die Lokalisierung von Gesichtslandmarken bei großen Pose-Abweichungen und lösen diese Aufgabe mittels einer Split-and-Aggregate-Strategie. Um den Suchraum zu partitionieren, schlagen wir eine Reihe von Anchor-Vorlagen vor, die als Referenzen für die Regression dienen und somit die großen Variationen der Gesichtsposen effektiv bewältigen. Basierend auf den Vorhersagen jeder Anchor-Vorlage schlagen wir eine Aggregation der Ergebnisse vor, die die Unsicherheit der Landmarkenpositionen infolge großer Pose-Abweichungen reduzieren kann. Insgesamt erzielt unser vorgeschlagenes Verfahren, AnchorFace genannt, state-of-the-art Ergebnisse mit äußerst effizienter Inferenzgeschwindigkeit auf vier anspruchsvollen Benchmark-Datensätzen: AFLW, 300W, Menpo und WFLW. Der Quellcode wird unter https://github.com/nothingelse92/AnchorFace verfügbar sein.