ArcFace

在2018年發表，在SphereFace的基礎上改進對特徵向量歸一化和角度間隔，強化了類間的可分類性和類間差異及類內的區別。

ArcFace loss：Additive Angular Margin Loss，在特徵向量及權重做歸一化，把特徵值縮在(0,1)之間的小數，更加便捷快速。在對θ加上角度間隔m，這樣的作法比餘旋間隔對角度的影響更為強烈直接。ArcFace是直接在角度空間θ中最大化分類。

使用上可得到的優點
訓練效率較高
比較不複雜
ArcFace不需要使用其搭的Loss function來聯合監督，較容易收斂於不同的訓練資料集。

缺點
模型是較為龐大的架構
訓練時間較久

歸一化（Normalization） VS 標準化（Standardization）

歸一化 將資料的資訊縮放到0和1之間。

標準化 將資料的值縮放成均值為0，方差為1的狀態。

使用上述兩者的優點：
如果數據預先沒有經過歸一化，那麼那些絕對值大的特徵在歐式距離計算的時候起了決定性作用，會嚴重影響訓練時所學習到較多絕對值大的特徵，所以歸一化是為了可以讓每一個特徵對結果做出相同比重的貢獻。

也可以增加模型的收斂速度。