Die Gesichtserkennung in ungehinderten Umgebungen stellt weiterhin eine herausfordernde Forschungsaufgabe dar. Obwohl mehrere Einflussfaktoren der Gesichtserkennung, wie beispielsweise Pose und geringe Auflösung, bereits erhebliche Aufmerksamkeit erhalten haben, gilt „Verkleidung“ als besonders herausfordernder Einflussfaktor. Ein zentraler Grund hierfür ist die Knappheit großer und repräsentativer annotierter Datensätze sowie das Fehlen von Algorithmen, die in solchen Umgebungen gleichzeitig für mehrere Einflussfaktoren effektiv funktionieren. Um die Herausforderung der Gesichtserkennung unter Verkleidung zu bewältigen, schlägt der Artikel einen aktiven Lernrahmen namens A2-LINK vor. Ausgehend von einem maschinellen Lernmodell für Gesichtserkennung wählt A2-LINK intelligent Trainingsbeispiele aus dem Zielbereich aus, die annotiert werden sollen, und verfeinert mithilfe von hybriden Störungen – wie adversarielle Störungen – ein Modell, das sowohl bei Vorhandensein als auch bei Fehlen von Verkleidung gut funktioniert. Experimentelle Ergebnisse belegen die Wirksamkeit und Generalisierbarkeit des vorgeschlagenen Rahmens anhand der DFW- und DFW2019-Datensätze unter Verwendung modernster tiefen Lern-Feature-Extraktionsmodelle wie LCSSE, ArcFace und DenseNet.