تمكنت تقنية التعرف على الوجه العميقة من تحقيق نجاح كبير بفضل قواعد بيانات التدريب الكبيرة وتطورات الدوال الخسارة السريعة. تركز الخوارزميات الحالية على تحقيق فكرة مثالية: تقليل المسافة داخل الفئة وزيادة المسافة بين الفئات. ومع ذلك، قد يتم إغفال حقيقة أن هناك أيضًا صور تدريبية منخفضة الجودة لا يجب تحسينها بهذه الطريقة الصارمة. بالنظر إلى عدم كمال قواعد البيانات المستخدمة في التدريب، نقترح أن يمكن تحسين الأهداف داخل الفئة وبين الفئات بطريقة معتدلة لتخفيف مشكلة الإفراط في التكيف (overfitting)، ونقدم دالة خسارة جديدة باسم "خسارة النصف الكرة المقيدة بالسيجمويد" (SFace). تحديدًا، تقوم SFace بفرض قيود داخل الفئة وبين الفئات على منحنيات نصف كرة، وهي تخضع لتحكم بواسطة دالتين لإعادة تقييم تدرج السيجمويد. تعادل المنحنيات السيجمويدية تقييم التدرجات داخل الفئة وبين الفئات بدقة بحيث يمكن تحسين عينات التدريب إلى حد معين. وبالتالي، يمكن لـ SFace أن تحقق توازنًا أفضل بين تقليل المسافات داخل الفئة للنماذج النظيفة ومنع الإفراط في التكيف للضوضاء المصنفة، مما يساهم في بناء نماذج للتعرف على الوجه العميقة أكثر متانة. أثبتت التجارب الواسعة التي أجريت على نماذج تم تدريبها باستخدام قواعد بيانات CASIA-WebFace و VGGFace2 و MS-Celeb-1M، وتقييمها على عدة مقاييس للتعرف على الوجه مثل قواعد بيانات LFW و MegaFace و IJB-C، فائدة SFace وأفضليتها.