Les Réseaux Neuronaux Convolutifs (CNNs) sont largement utilisés dans les tâches de vision par ordinateur, telles que la reconnaissance et la vérification faciales, et ont obtenu des résultats de pointe grâce à leur capacité à capturer des caractéristiques profondes discriminantes. Traditionnellement, les CNNs ont été entraînés avec le softmax comme signal de supervision pour pénaliser la perte de classification. Afin d'améliorer davantage la capacité discriminante des caractéristiques profondes, nous introduisons un signal de supervision conjoint, appelé Git loss, qui s'appuie sur les fonctions softmax et center loss. L'objectif de notre fonction de perte est de minimiser les variations intra-classes tout en maximisant les distances inter-classes. Une telle minimisation et maximisation des caractéristiques profondes est considérée comme idéale pour la tâche de reconnaissance faciale. Nous menons des expériences sur deux ensembles de données populaires pour la reconnaissance faciale et montrons que notre fonction de perte proposée atteint une séparabilité maximale entre les caractéristiques profondes des visages d'identités différentes et obtient une précision de pointe sur deux grands ensembles de données de référence pour la reconnaissance faciale : Labeled Faces in the Wild (LFW) et YouTube Faces (YTF). Cependant, il convient de noter que l'objectif principal du Git loss est d'atteindre une séparabilité maximale entre les caractéristiques profondes d'identités divergentes.