摘要
本文介绍了一种学习局部仿射协变区域的方法。我们指出，最大化几何重复性并不能产生可靠匹配的局部区域（即特征），这需要基于描述符的学习方法。我们探讨了影响此类学习和配准的因素：损失函数、描述符类型、几何参数化以及匹配性和几何精度之间的权衡，并提出了一种新的硬负常数损失函数（hard negative-constant loss）用于仿射区域的学习。使用该硬负常数损失函数训练的仿射形状估计器——AffNet，在词袋图像检索和宽基线立体视觉中超越了现有最先进技术。所提出的训练过程不需要精确几何对齐的补丁。源代码和训练权重可在 https://github.com/ducha-aiki/affnet 获取。