L2-Net：用深度學習方法設計塊描述子

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

作者：Yurun Tian,Bin Fan,Fuchao Wu

來源：CVPR 2017

播音員：清蒸魚

編譯：李仕傑

歡迎個人轉發朋友圈；其他機構或自媒體如需轉載，後台留言申請授權

摘要

大家好，今天給大家介紹一項塊描述子學習的工作——L2-Net: Deep Learning of Discriminative Patch Descriptor in Euclidean Space，該文章發表於CVPR2017。

近些年來，關於局部塊描述子的研究熱點逐漸從手工設計（如SIFT）過渡到學習的方法。在這篇文章中，我們採用卷積神經網路，學習出了一個針對歐氏空間有很好表現的描述子。

網路架構

我們方法的原創性體現在以下四個方面：

我們採用了一個漸進的採樣策略，使得網路在有限步內能夠獲得大量的樣本。

針對塊匹配問題，我們的描述子對描述子間的相對距離給予更高的權重。

我們在中間的特徵層施加了額外的監督。

描述子的壓縮性也被納入了考慮範圍。

實驗結果

我們提出的網路叫做L2-Net。因為它輸出的描述子能夠在歐氏空間採用L2範數進行匹配。L2-Net在Brown datasets ，Oxford dataset 和新提出的Hpatches dataset取得了state-of-the-art 的結果。L2-Net在實驗中展示的優秀的泛化能力使得它可以直接對現有的手工設計的方法進行替換。L2-Net現在已經開源。（https://github.com/yuruntian/L2-Net）

如果你對本文感興趣，想要下載完整文章進行閱讀，可以關注【泡泡機器人SLAM】公眾號。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！