匹配问题是是很多计算机视觉应用问题的基础。我考虑到图像会发生大规模的形貌尺度等变化，所以直接训练了一个CNN模型进行参数拟合。特别的，我研究了很多的神经网络框架，主要探索了那些网络结构更胜任图像匹配问题。同时，我也进行了大量的数据测试，结果证明，采用孪生网络进行图像匹配具有非常大的优势。图1.缩略图。我的目标在于学习一个通用的相似性测度函数，并应用于图像匹配中。为了编码这样一个函数，我大量探索了卷积神经网络结构。为了研究不同网络结构的速度与时间的考量，我研究了当下最普遍的双通道卷积网络、孪生卷积

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

匹配问题是是很多计算机视觉应用问题的基础。我考虑到图像会发生大规模的形貌尺度等变化，所以直接训练了一个CNN模型进行参数拟合。特别的，我研究了很多的神经网络框架，主要探索了那些网络结构更胜任图像匹配问题。同时，我也进行了大量的数据测试，结果证明，采用孪生网络进行图像匹配具有非常大的优势。 图1.缩略图。我的目标在于学习一个通用的相似性测度函数，并应用于图像匹配中。为了编码这样一个函数，我大量探索了卷积神经网络结构。为了研究不同网络结构的速度与时间的考量，我研究了当下最普遍的双通道卷积网络、孪生卷

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