Das Gesichtserkennungssystem hat dank der Fortschritte in tiefen Faltungsneuronalen Netzen (CNNs) außergewöhnliche Fortschritte gemacht. Die zentrale Aufgabe der Gesichtserkennung, einschließlich der Gesichtsverifizierung und -identifikation, besteht im Unterschied von Gesichtseigenschaften. Allerdings fehlt die traditionelle Softmax-Loss-Funktion von tiefen CNNs oft an Diskriminierungskraft. Um dieses Problem zu lösen, wurden in letzter Zeit mehrere Loss-Funktionen wie Center Loss, Large Margin Softmax Loss und Angular Softmax Loss vorgeschlagen. Alle diese verbesserten Verlustfunktionen teilen die gleiche Idee: die Varianz zwischen Klassen zu maximieren und die Varianz innerhalb der Klassen zu minimieren. In dieser Arbeit schlagen wir eine neue Verlustfunktion vor, nämlich den Large Margin Cosine Loss (LMCL), um diese Idee aus einer anderen Perspektive zu realisieren. Genauer gesagt reformulieren wir den Softmax-Verlust als Kosinus-Verlust durch $L_2$L2​-Normierung sowohl der Merkmale als auch der Gewichtsvektoren, um radiale Variationen zu entfernen. Auf dieser Grundlage wird ein Kosinus-Marginalterm eingeführt, um den Entscheidungsmargin im Winkelraum weiter zu maximieren. Dadurch werden die minimale intra-klassische Varianz und die maximale inter-klassische Varianz durch Normierung und Maximierung des kosinusspezifischen Entscheidungsmargins erreicht. Wir bezeichnen unser Modell, das mit LMCL trainiert wurde, als CosFace. Ausführliche experimentelle Evaluierungen wurden auf den beliebtesten öffentlich zugänglichen Gesichtserkennungsdatensätzen wie dem MegaFace Challenge, Youtube Faces (YTF) und Labeled Faces in the Wild (LFW) durchgeführt. Wir erzielen den aktuellen Stand der Technik auf diesen Benchmarks, was die Effektivität unseres vorgeschlagenen Ansatzes bestätigt.