En tant que sujet émergent dans la reconnaissance faciale, la conception de fonctions de perte basées sur une marge permet d’augmenter l’écart entre les caractéristiques des différentes classes, améliorant ainsi la discriminabilité. Récemment, les stratégies fondées sur l’extraction (mining) ont été adoptées afin de mettre l’accent sur les échantillons mal classés, obtenant des résultats prometteurs. Toutefois, durant tout le processus d’entraînement, les méthodes antérieures présentent soit une absence explicite de mise en avant des échantillons selon leur importance, ce qui limite l’exploitation des échantillons difficiles ; soit une sur-valorisation explicite des échantillons semi-durs ou durs dès les premières étapes d’entraînement, ce qui peut entraîner des problèmes de convergence. Dans ce travail, nous proposons une nouvelle fonction de perte, nommée Adaptive Curriculum Learning loss (CurricularFace), qui intègre le principe d’apprentissage curriculaire dans la fonction de perte afin d’obtenir une stratégie d’entraînement novatrice pour la reconnaissance faciale profonde. Cette approche traite principalement les échantillons faciles en phase initiale de l’entraînement, puis se concentre progressivement sur les échantillons difficiles en phase ultérieure. Plus précisément, CurricularFace ajuste de manière adaptative l’importance relative des échantillons faciles et difficiles selon les différentes étapes d’entraînement. À chaque étape, les échantillons reçoivent une pondération différente en fonction de leur degré de difficulté. Des résultats expérimentaux étendus sur des benchmarks populaires démontrent l’infériorité de notre CurricularFace par rapport aux méthodes de pointe actuelles.