本文的目的是这样的，从头开始产生一个图像块相似度函数，即不尝试使用任何人工设计的功能，而是直接从特征对原始图像块学习。这在以前也引起了神经结构和深度学习的巨大进展，现在我们选择深度学习的卷积神经网络[4，5]方面来表示这样的功能。在此过程中，我们也探讨了这样的功能可以用在解决什么问题上，及其在怎样的网络架构中使用等。因此，我们探索并提出多种类型的网络，根据其不同特点进行取舍。最终决定在所有的情况下来训练学习，并且在网络中，我们使用唯一的输入，即包含原始图像块的配对的一个大数据库。这将允许通过用更多的采样来丰富这个数据库，而且不会太困难，以进一步改进我们训练方法的性能（事实上，像软件生成这样的样品并不困难[6]）。

当了解了任务目标之后，可以决定实验所得的功能应该如下：(I)我们从数据中直接学习(不使用任何人工设计的特征)使用相似度函数，并且要考虑到类型转换和效果（例如，宽基线，照明等。）(II)我们探索并提出了多种适合代表这样的功能，还有网络架构，而且能够提供更高的性能。如在[7]。(III)在几个问题点和基准数据集使用我们的方法，进行性能测试，可观测到显著优于目前所见的常用方法，即产生的特征描述符比手动设计的描述符有更好的性能(例, SIFT, DAISY)或其他所能见到的描述符[19]。重要的是，由于它们的卷积性质，即使在密集的方式下，进行生成描述符的计算也是非常高效的。论文网

1。2  卷积神经网络

卷积神经网络在最近几年以来发展迅速[18，19]，尤其是在声音和图像处理方面引起了极大的重视。上世纪60年代，Hubel和Wiesel[12]在视觉皮层的研究中发现了猫的大脑皮层中独特的网络结构，尤其是底层感知细胞对局部有效这一信息，对于降低反馈神经网络复杂度很有用，于是就有了卷积神经网络的诞生。如今，在众多科学研究领域，尤其是在声音和图像处理方面，卷积神经网络已经成为不可代替的热点之一。在上世纪70以及80年代，认知机及神经认知机这些模型已经可以在人类较少提示的情况下，从数据中识别图形。神经认知机中局部特征结合的思想广泛应用于其他网络模型中，其中较为著名的就有尺度不变性良好的SIFT描述符，以及用于手写识别在银行里使用广泛的LeNet模型。

神经认知机将图像处理问题分解成许多小模块，然后在分层相连的特征平面中处理各个问题，改模型将视觉系统模块化，对于图像中物体有位移即小幅度扭曲的状况下，依然可以识别。受Hubel和Wiesel提出的在视觉初级皮层上的简单细胞和复杂细胞信息影响，神经认知机自然发展成为这种层状叠加的模型。该模型中最重要的是用于特征提取的S-元和抗变形的C-元。其中S-元中包括两个重要参数，确定输入连接的数目感受野，以及控制对特征子模式的反应程度的阈值参数。在传统的神经认知机中，C-元输出的视觉模糊状况城正太分布，由S-元的感受野接受。如果在感受野中，中央的视觉模糊状况比边缘地区小，则接受该种输入状态。理想情况是，在训练模式[16]和刺激过程中，感受野的中心部位和边缘所产生的效果差异越来越明显。基于此种目的，之后有了改进型神经认知机的出现[14,36]。

一般来说，卷积神经网络主要包括两种类型的层结构[15]，一种是卷积层，它是CNN的核心组成部分，该层的参数包括一组可学习的过滤器，其中过滤器中又有一个小感受野。另一种是池层，他是一种非线性的下采样的形式，其中最常见的实现方式有max-pooling，即通过将输入划分成一组非重叠矩形，并在每个这样的子区域中，输出特征点最大值。卷积神经网络的一个主要优点是卷积层共享权值，这意味着在层中的每个像素的被用于相同的过滤器计算，这一特点使得内存占用空间减少，性能提高。