حققت تقنية التعرف على الوجه تقدماً استثنائياً بفضل تطور شبكات العصبونات العميقة المتشابكة (CNNs). يشمل المهمة الأساسية للتعرف على الوجه، مثل التحقق من الهوية والتعريف بها، تمييز خصائص الوجه. ومع ذلك، فإن دالة الخسارة التقليدية softmax لشبكات CNN العميقة عادة ما تكون ضعيفة في التمييز. لحل هذه المشكلة، تم اقتراح عدة دوال خسارة مؤخراً مثل دالة الخسارة المركزية (center loss)، ودالة الخسارة softmax ذات الهامش الكبير (large margin softmax loss)، ودالة الخسارة softmax الزاوية (angular softmax loss). تشترك جميع هذه الدوال المحسنة في نفس الفكرة: زيادة الاختلاف بين الفئات وتقليل الاختلاف داخل الفئة. في هذا البحث، نقترح دالة خسارة جديدة تُسمى دالة الخسارة الكوسينية ذات الهامش الكبير (LMCL) لتحقيق هذه الفكرة من وجهة نظر مختلفة. بشكل أكثر تحديداً، قمنا بإعادة صياغة دالة الخسارة softmax كخسارة كوسينية عن طريق تطبيع كل من الخصائص والمتجهات الوزنية باستخدام $L_2$L2​ لإزالة التباينات الشعاعية، بناءً على ذلك تم إدخال حد هامش كوسيني لتعزيز الهامش القرار في المساحة الزاوية. نتيجة لذلك، يتم تحقيق أدنى اختلاف داخل الفئة وأكبر اختلاف بين الفئات بفضل التطبيع وتعظيم الهامش القرار الكوسيني. نشير إلى نموذجنا الذي تم تدريبه باستخدام LMCL باسم CosFace. أجريت تقييمات تجريبية مكثفة على أكثر قواعد البيانات العامة شعبية في مجال التعرف على الوجه مثل تحدي MegaFace و YouTube Faces (YTF) و Labeled Faces in the Wild (LFW). حققنا أفضل الأداء في هذه المقاييس، مما يؤكد فعالية النهج المقترح لدينا.