一套同时detector和descriptor的网络框架。
SuperPoint Architecture
整体网络框架：
3.1. Shared Encoder
使用VGG网络输出的cnn feature map（叠加了多个feature map），最后输出B ∈ R Hc×Wc×F， 其中Hc = H/8 and Wc = W/8 and F > 1
3.2. Interest Point Decoder
通过卷积层输出R Hc×Wc×64, 然后经过channel上的softmax输出R H×W
3.3. Descriptor Decoder
输出半dense的descriptor
3.4. Loss Functions
detector的loss：其中
这里的65个chanel，每个channel表示的是原始图像上的每个pixel是焦点的概率，因此对chennal上进行卷积就可以得到每个cell(8 * 8)上的detector点。 
，。 分子：k表示每个chennal上的index（1-65），hw表示feature map层每个元素坐标（正好是h*w*65的feature map），y表示的是gt的位置，因此分母是每个chennal上65个数字之和，分子表示的是gt的index（y），那个位置的数字（交叉商损失）
descriptor loss： S表示0或者1，
，可以直观的认为匹配的是1，不匹配的是0.很容易理解，当是匹配的时候惩罚第一项，惩罚其不相似性，当时不匹配的时候s=0，惩罚第二项，惩罚其相似性。
！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！
训练以及gt的获取
-
首先使用合成数据训练MagicPoint（其实MagicPoint就是superpoint网络中的detector部分）网络。（这部分的焦点标注很容易）
-
通过上述图片方式生成真实数据的标注结果：
-
首先将真实数据生成一系列warp的image，然后每个image 都过网络MagicPoint，生成不同的角点。最后使用：
生成最后的稍微密集点的角点位置，就是最终要训练superpoint的时候的gt。
3. 训练superpoint，匹配对是通过不同的warp得到
整体网络结果以及过程如下图：