顔認識は、深層畳み込みニューラルネットワーク（CNN）の進歩により著しい進展を遂げています。顔認識の中心的な課題、すなわち顔認証と識別には、顔特徴の判別が含まれます。しかし、従来の深層CNNのソフトマックス損失は通常、判別力に欠けています。この問題に対処するために、最近ではセンターロス、大マージンソフトマックスロス、角度ソフトマックスロスなどのいくつかの損失関数が提案されています。これらの改良された損失関数はすべて同じアイデアに基づいています：クラス間分散を最大化し、クラス内分散を最小化することです。本論文では、異なる視点からこのアイデアを実現する新しい損失関数である大マージンコサインロス（LMCL）を提案します。具体的には、特徴量と重みベクトルの両方を$L_2$L2​正規化することで半径方向の変動を取り除き、ソフトマックス損失をコサインロスとして再定式化しました。此基础上，引入了余弦决策边界项以进一步在角度空间中最大化决策边界（ただし、これに基づいて角度空間での決定境界をさらに最大化するためのコサインマージン項を導入しました）。その結果、正規化とコサイン決定境界最大化によりクラス内分散が最小化され、クラス間分散が最大化されます。我々はLMCLで訓練したモデルをCosFaceと呼びます。MegaFace ChallengeやYoutube Faces (YTF)およびLabeled Faces in the Wild (LFW)など最も一般的な公開顔認識データセットにおいて広範な実験評価を行いました。これらのベンチマークで最先端の性能を達成しており、提案手法の有効性が確認されています。注：「此基础上，引入了余弦决策边界项以进一步在角度空间中最大化决策边界」という部分は中国語でしたので、「ただし、これに基づいて角度空間での決定境界をさらに最大化するためのコサインマージン項を導入しました」と翻訳いたしました。