論文：
本文主要貢獻：
1、提出了一種新的采樣策略，使網絡在少數的epoch迭代中，接觸百萬量級的訓練樣本；
2、基於局部圖像塊匹配問題，強調度量描述子的相對距離；
3、在中間特征圖上加入額外的監督；
4、描述符的緊實性。
基於CNN的局部圖像塊匹配方法可以分為兩類：一是，作為二分類問題，不存在明確的特征描述子概念，好處是准確率相對第二類高很多，但可移植性能差；二是，CNN輸出學習的圖像塊描述子，沒有度量學習層，好處是可以作為以前的很多基於手工描述子方法應用的直接替代。
A、網絡框架：
左邊是輸入：32*32*1圖像塊，輸出128的特征描述子；右邊是雙塔結構，The input of the tower on the left is the same with a solo L2-Net, while the input of the tower on the right is generated by cropping and resizing the central part of the original patches.
B、數據集
Brown dataset 和HPatches dataset 數據集
C、訓練數據的采樣策略
由於采集的數據patch中正負樣本極度不平衡，大量的負樣本，之前的方法是選取等量的正負樣本作為固定的訓練數據集，但這違背了實際中測試數據存在大量負樣本的事實。本文采用隨機采樣的方式，
，其中1和2是匹配點對，經過特征提取網絡得到
，通過L2范數計算特征描述子的距離矩陣，其大小為p*p，對角線上的是正樣本點對距離，其他位置是負樣本。
D、損失函數
包括三個方面：
- （1）描述子相似性。相對的距離度量匹配和不匹配圖像塊對；
- （2）描述子的緊實性。讓更少維度的描述子包含足夠多的特征信息，減少冗余，也就是說描述子的維度盡量減少相關性冗余；
- （3）在特征提取網絡中間層的特征圖增加約束，而不只是在最后，匹配的特征圖更相近，不匹配遠離。
E、訓練及預測
左邊框架正常輸入64*64*1圖像塊；右邊訓練時，用訓練好的左邊框架參數初始化雙塔結構的左邊網絡，左邊固定不變，更新右邊參數直至收斂。
數據擴充方式：垂直、水平翻轉；選擇90,180,270度。
結論：
（1）緊致性學習很重要。由於數據量巨大，對於網絡來說，記住數據比學習泛化性特征更容易些，因此如果沒有這個約束，網絡過擬合嚴重，學習輸出的特征相關性較大，存在特征維度的冗余，因此緊致性約束的重要性高於訓練數據選擇的策略，同時解決了過擬合問題；
（2）訓練樣本的選擇策略很重要，充分利用數據。
（3）損失函數的設計，從多個角度約束特征描述子的學習，得到更緊致的特征，特征圖的約束提高了網絡性能。