本稿では、深層特徴学習におけるペア類似度最適化の視点を提示し、クラス内類似度 $s_p$sp​ を最大化し、クラス間類似度 $s_n$sn​ を最小化することを目的とする。我々は、トリプレット損失やソフトマックス＋交差エントロピー損失を含む多数の損失関数が、$s_n$sn​ と $s_p$sp​ を類似度ペアに組み込み、$(s_n - s_p)$(sn​−sp​) の最小化を試みていることに着目した。このような最適化手法は柔軟性に欠ける。なぜなら、各類似度スコアに対するペナルティの強度が一律に制限されているからである。我々の直感は、類似度スコアが最適値から大きく逸脱している場合には、その重要性を強調すべきであるということである。この目的のため、単に各類似度を再重み付けし、最適化が不十分なスコアに注目を向ける。その結果、円形の決定境界を持つことから「サークル損失（Circle loss）」と名付けられた損失関数が導出された。このサークル損失は、クラスラベルに基づく学習とペアラベルに基づく学習という、2つの基本的な深層特徴学習アプローチに対して統一された式を持つ。理論的に、$(s_n - s_p)$(sn​−sp​) を最適化する従来の損失関数と比較して、サークル損失はより柔軟な最適化アプローチを提供し、より明確な収束目標を実現可能であることを示した。実験的にも、さまざまな深層特徴学習タスクにおいてサークル損失の優位性を検証した。顔認識、人物再識別、および複数の細粒度画像検索データセットにおいて、最先端の性能と同等の結果が達成された。