Les systèmes de détection anti-spoofing facial (FAS) sont utilisés pour identifier les tentatives malveillantes de falsification visant les systèmes de reconnaissance faciale, par le biais de supports tels que des reprises vidéo ou des impressions papier. Avec l’adoption croissante de la reconnaissance faciale comme méthode d’authentification biométrique, les techniques de FAS gagnent en importance. Du point de vue de l’apprentissage automatique, ces systèmes posent un problème de classification binaire. Lorsqu’ils sont implémentés à l’aide de solutions basées sur les réseaux de neurones, il est courant d’utiliser la fonction d’erreur de croisement binaire (BCE) comme fonction de perte à minimiser. Dans cette étude, nous proposons une variante de la BCE qui impose une marge dans l’espace angulaire, et nous l’intégrons à l’entraînement du modèle DeepPixBis [1]. Par ailleurs, nous présentons également une méthode permettant d’incorporer cette fonction de perte dans un cadre de supervision attentive au niveau des pixels, adaptée à un modèle entièrement convolutif. L’approche proposée obtient des performances compétitives tant sur les tests intra-que inter-jeu de données sur plusieurs jeux de données de référence, dépassant de manière cohérente le modèle DeepPixBis original. De façon intéressante, dans le cas du protocole 4 de OULU-NPU, considéré comme le plus difficile, notre méthode atteint un taux d’erreur de classification équivalent (ACER) de 5,22 %, soit seulement 0,22 % de plus que l’état de l’art actuel, sans nécessiter de recherche coûteuse d’architecture neuronale.