利用卷积神经网络在欧式空间下学习高效性能的描述子descr iptor。的方法在四个方面与众不同，1.我们提出了一种渐进的抽样策略，使网络能够在几次的时间内访问数十亿的训练样本。2.从局部匹配问题的基本概念派生而来，我们强调了描述符之间的相对距离。3.对中间特征图进行额外的监督。4.将描述符的紧凑性考虑在内。就是采用L2距离对特征描述子进行度量。收获到了非常好的结果（同期也有相关的工作）。引用的原文更能说明问题：TheproposedL2-NetisaCNNbasedmodelwithoutme

在计算机视觉应用领域，如运动结构分析、多视图3D重建、图像检索和基于图像的地位，图像匹配都扮演了重要的角色。在这篇文章中，我采用卷积神经网络表达相似图像对和不相似图像对的特征，然后采用欧拉距离测量特征矢量并估计相似度。其中，我采用的是类似于孪生网络的结构提取特征向量。在此之前，孪生网络已经成功运用到了图像的局部匹配领域和人脸对比验证，但是还没有应用于图像的大规模匹配。我通过大量实验验证，提出的图像匹配方法的性能远高于基线算法。这还是在我标注的标签质量很差的情况下，如果数据量更大，竞金标准更好，我

利用卷积神经网络在欧式空间下学习高效性能的描述子descr iptor。的方法在四个方面与众不同，1.我们提出了一种渐进的抽样策略，使网络能够在几次的时间内访问数十亿的训练样本。2.从局部匹配问题的基本概念派生而来，我们强调了描述符之间的相对距离。3.对中间特征图进行额外的监督。 4.将描述符的紧凑性考虑在内。就是采用L2距离对特征描述子进行度量。收获到了非常好的结果（同期也有相关的工作）。引用的原文更能说明问题：TheproposedL2-NetisaCNNba

在计算机视觉应用领域，如运动结构分析、多视图3D重建、图像检索和基于图像的地位，图像匹配都扮演了重要的角色。在这篇文章中，我采用卷积神经网络表达相似图像对和不相似图像对的特征，然后采用欧拉距离测量特征矢量并估计相似度。其中，我采用的是类似于孪生网络的结构提取特征向量。在此之前，孪生网络已经成功运用到了图像的局部匹配领域和人脸对比验证，但是还没有应用于图像的大规模匹配。我通过大量实验验证，提出的图像匹配方法的性能远高于基线算法。这还是在我标注的标签质量很差的情况下，如果数据量更大，竞金标准更好，我