基于卷积神经网络的特征描述子学习

随着深度学习的发展,作为图像任务基础的特征描述子开始倾向于通过卷积神经网络学习.目前的卷积神经网络模型大多采用交叉熵损失项进行约束,通过大量的输入数据训练网络.但由于缺乏细节上的约束,因此训练的网络模型特征提取能力并不优秀.针对以上问题,文章提出一种新的浅层神经网络模型,并在此基础上通过改进采样策略以获得更多的训练样本,使用复合的损失项对网络训练过程进行约束.实验表明,提出的神经网络模型能够获得更紧凑的特征描述子,特征提取的能力更强.