L’apprentissage de caractéristiques faciales discriminantes joue un rôle central dans la construction de modèles de reconnaissance faciale à haut rendement. Les solutions récentes les plus avancées proposent d’incorporer une marge de pénalité fixe dans la fonction de perte de classification couramment utilisée, à savoir la perte softmax, sur l’hypersphère normalisée, afin d’accroître la puissance discriminante des modèles de reconnaissance faciale en minimisant la variation intra-classe et en maximisant la variation inter-classe. Les pertes softmax à marge marginale, telles qu’ArcFace et CosFace, supposent que la distance géodésique entre et au sein des différentes identités peut être apprise de manière équivalente grâce à une marge de pénalité fixe. Toutefois, un tel objectif d’apprentissage n’est pas réaliste pour des données réelles présentant des variations inter- et intra-classe inégales, ce qui peut limiter la discriminabilité et la généralisation du modèle de reconnaissance faciale. Dans ce travail, nous relâchons la contrainte de marge de pénalité fixe en proposant une nouvelle fonction de perte, appelée ElasticFace, qui permet une flexibilité accrue dans l’apprentissage de la séparabilité des classes. L’idée principale consiste à utiliser, à chaque itération d’entraînement, des valeurs de marge aléatoires tirées d’une distribution normale. Cela permet à la frontière de décision de s’adapter dynamiquement, en se rapprochant ou en s’éloignant, afin de favoriser un apprentissage plus souple de la séparabilité des classes. Nous démontrons l’infériorité de notre fonction ElasticFace par rapport aux pertes ArcFace et CosFace, en utilisant les mêmes transformations géométriques, sur un large ensemble de benchmarks courants. De manière plus générale, notre méthode ElasticFace améliore l’état de l’art en reconnaissance faciale sur sept des neuf benchmarks principaux.