本文的核心思想是提出一套同时detector和descriptor的网络，区别于别的网络，本文会输出Repeatable和Reliable层
用来表示feature map的score和权重（置信度）。
首先我们来看下整体网络结构：
输入一张W*H的image，输出三块东西：
1）dense 的descriptor 的feature map（H*W*128）
2）H*W*1的reliability层表示每个像素的feature的置信度（可靠性）Rij ∈ [0, 1]
3）repeatability层表示每个像素的score（其实就是detector）（S ∈ [0, 1]）
1.Learning repeatability
假设知道两张匹配图，并且知道他们之间的转换关系U，那么理想情况下：
最大
（第一项是一张图输出的score map，第二项是另一张图输出的scoremap通过U变换到和第一章图一样的坐标下，
理想情况下两个向量W*H的数值完全相同），但是由于S维度很大，往往很难满足，因此将S拆分成一个一个
有overlap的patch，计算每个应该相同的小patch的相似性，如下：
考虑到？？？？不知道啥意思，增加了一项约束项
Learning reliability
feature层和reliability层的loss同时回传，定义feature之间的相似性度量矩阵D
,
假设匹配图是A和B，本文由于是dense的descriptor map因此构建D的行是图像A中的descriptor个数。
列是图像B中descriptor的个数，每个元素表示的是一个匹配距离。
引用了一个AP概念，所谓的AP就是对D中的每一行距离进行排序，距离越近的越靠前，如果真正的匹配越靠前，这时候两张图的匹配的AP值越大，
因此最大化AP即可监督学习descriptor，具体公式如下；
·····
文中提到如果使用AP来训练就需要作用到整个descriptor上并且计算复杂，因此引入了
reliability层，该层就是类似score一样提供每个pixel位置
descriptor的置信度（比如天空了，树叶了等不应该作用在网络上），因此使用如下loss：
上述公式是(i, j )表示每个像素位置，Rij表示
reliability
层输出的置信度，k是设置的阈值，
，这样就在R=0的时候不再计算AP
这个loss同时回传到descriptor网络和reliability网络。
！！！！！！！！！！！！！！！上述是训练的过程！！！！！！！！！！！！！！！！！！！！！！
teset的时候：首先输入image，然后在S层进行非极大值抑制得到最终的score map，然后将S和R相乘的到每个像素上的最终的score，
然后取出score>阈值的descriptor作为最终的descriptor和detector。
