局部图像特征匹配是计算式视觉领域的一个关键问题，其目的在于准确地建立两幅或者多幅图像之间像素位置的对应关系，

这也是完成诸如三维重建、 物体识别、图像配准和图像拼接等诸多计算机视觉任务的先决条件。

特征描述是特征匹配的主要手段，近年来对该问题的研究取得了长足进步，尤其是随着深度学习的发展以及 一系列大规模标注数据集的出现，学习型图像特征描述方法在匹配精度上相对传统手工方法获得了很大提升。

然而，由于成像场景的多样性和成像条件的复杂性，局部图像特征描述仍然是一个极具挑战性的研究课题。

本文针对局部图像特征匹配描述问题进行了深入研究，主要涉及如何借助深度卷积神经网络CNN（Convolational Neural Network）这一强大工具来学习鲁棒的局部图像特征表达，论文的主要创新点如下：

提出了一种欧氏距离下的高性能描述子L2Net。

从CNN网络结构、训练样本采样和误差函数三个方面对描述子的学习过程进行了重新设计。

（1）提出了一种适合描述子学习的CNN网络结构。

目前主流的CNN结构多是面向图像的全局特征提取的，而局部图像特征描述处理的对象是局部图像面片，相对全局图像具有较小的尺寸和较少的信息冗余。

相对于全局图像，局部面片具有较小的尺寸和较少的信息冗余。

针对这一问题，提出了一种适合提取局部面片特征的网络结构。

（2）提出了一种高效的训练集采样方法。

正负样本不均衡是描述子学习中需要面对的一个重要难题，其表现为负样本的数量远高于正样本数量，因此不可能采样大量正样本的情况下遍历所有负样本。

针对这一问题提出了一种高效的采样策略Progressive Sampling，该方法能快速采样数以亿计的负样本使训练效率显著提高。

（3）提出了一种新型损失误差函数。

该误差函数中包含三个误差项，分别优化描述子的匹配能力、网络中间特征图的区分能力和描述子各个维度的相关性。

实验结果表明，使用该误差函数进行训练能带来描述子匹配性能的显著性能提升。

提出了一种基于二阶相似性（Second Order Similarity）的高性能描述子SOSNet。

现有的描述子学习方法都是在优化描述子的一阶相似性（First Order Similarity）。

二阶相似性刻画了特征空间中两点之间的相互关系，具有更强的鲁棒性。

因此，在描述子训练过程引入了一种基于二阶相似性的正则误差项。

实验证明，在训练过程中联合一阶与二阶相似性能使描述子匹配性能大幅提升。

提出了一种基于描述子空间分布状况的匹配性能评价方法。

现有的FPR（False Positve Rate）和mAP（mean Average Precision）等性能指标只能直接衡量描述子的匹配能力，对描述子的设计缺乏指导意义。

针对这一问题，提出了一种能够分析描述子在其空间分布状况的评价指标，用于解释描述子分布与其性能之间的关系，并对已有的典型特征描述子的性能进行了分析和对比。