L2-Net：用深度学习方法设计块描述子

标题：L2-Net: Deep Learning of Discriminative Patch Descriptor in Euclidean Space

作者：Yurun Tian,Bin Fan,Fuchao Wu

来源：CVPR 2017

播音员：清蒸鱼

编译：李仕杰

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

大家好，今天给大家介绍一项块描述子学习的工作——L2-Net: Deep Learning of Discriminative Patch Descriptor in Euclidean Space，该文章发表于CVPR2017。

近些年来，关于局部块描述子的研究热点逐渐从手工设计（如SIFT）过渡到学习的方法。在这篇文章中，我们采用卷积神经网络，学习出了一个针对欧氏空间有很好表现的描述子。

网络架构

我们方法的原创性体现在以下四个方面：

我们采用了一个渐进的采样策略，使得网络在有限步内能够获得大量的样本。

针对块匹配问题，我们的描述子对描述子间的相对距离给予更高的权重。

我们在中间的特征层施加了额外的监督。

描述子的压缩性也被纳入了考虑范围。

实验结果

我们提出的网络叫做L2-Net。因为它输出的描述子能够在欧氏空间采用L2范数进行匹配。L2-Net在Brown datasets ，Oxford dataset 和新提出的Hpatches dataset取得了state-of-the-art 的结果。L2-Net在实验中展示的优秀的泛化能力使得它可以直接对现有的手工设计的方法进行替换。L2-Net现在已经开源。（https://github.com/yuruntian/L2-Net）

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号。