In den letzten Jahren hat sich aufgrund der massiven Ausweitung des Bildaustauschs in sozialen Netzwerken ein starker Impuls für die Entwicklung von Gesichtserkennungstechnologien ergeben. In diesem Artikel betrachten wir die anspruchsvolle Aufgabe, mithilfe von Deep Learning die Ähnlichkeit zwischen Eltern und Nachkommen zu bestimmen, um die Frage „Wen sehe ich ähnlich?“ zu beantworten. Obwohl Menschen diese Aufgabe mit einer Genauigkeit über dem Zufallsniveau bewältigen können, ist unklar, wie sie dies tun [2]. Neuere Studien in der Anthropologie [24] haben jedoch ermittelt, welche Merkmale tendenziell am aussagekräftigsten sind. Ziel dieser Arbeit ist es nicht nur, ein präzises System zur Erkennung von Ähnlichkeiten zu entwickeln, sondern auch die Lücke zwischen anthropologischen Forschungen und Methoden der Computer Vision zu schließen. Zudem wollen wir zwei zentrale Fragen beantworten: 1) Ähneln Nachkommen ihren Eltern? und 2) Ähneln Nachkommen einem Elternteil stärker als dem anderen? Wir schlagen einen Algorithmus vor, der Merkmale und Metriken, die mittels gaterter Autoencoder entdeckt wurden, mit einer diskriminativen neuronalen Schicht kombiniert, die die optimalen, im Folgenden als genetisch bezeichneten Merkmale lernt, um Eltern-Kind-Beziehungen zu differenzieren. Darüber hinaus analysieren wir die Korrelation zwischen unseren automatisch erkannten Merkmalen und jenen, die in anthropologischen Studien identifiziert wurden. Unser Ansatz erreicht eine Leistung, die die aktuell beste Methode in der Verifikation von Verwandtschaftsbeziehungen um 3–10 % übertrifft, je nach Beziehungstyp (z. B. Vater-Sohn, Mutter-Tochter) und je nach verwendeter Modellvariante (spezifisch oder generisch).