为了利用无标签数据，我们设计了半监督损失函数，Unknown Identity Rejection（UIR）Loss。人脸识别是open-set问题，将开放环境中的人物类别分为两类：有标签类 （S）和无标签类 （U），S∩U=∅。训练过程中，对于有标签类，每个样本特征需要逼近分类层对应类别的类心向量；对于无标签类，它不属于分类层的任何一个类，模型需要“拒绝”它们，即特征与每个分类层类心距离都足够远。如下图（a），W1和W2 表示两个分类层类心向量，圆点表示样本特征。图（b）中，加入无标签类Wu 后，为了 Wu距离W1和W2足够远，会使得有标签类别在特征空间上更稀疏，类间距离更大。
对于 CNN 分类模型，全连接分类层的输出经过 softmax 后得到p1,p2,……,pn，表示属于各个类别的概率值。然而无标签类别并不属于任何一类，理想情况下p1,p2,……,pn应该都足够小，可以通过设置阈值将其过滤，提升库外拒绝率。基于这个想法，问题可以转化成：
上式是多目标最小化问题，可以转化成：
因此得到UIR loss，即：
