核心思想：
本文是一种refine特征提取网络的技术，并且是无监督学习，不需要标注数据方便refine
任何deep feature网络
解决问题以及出发点：
一个完整的feaure包含角点信息和描述符信息，直观上讲描述符的维度那么高
理论上他应该包含了一些关于角点的信息，而且应该也比较鲁棒，那么是否可以
从描述符中抽取出来detector信息呢？这就是本文出发点。
简单review：
现在的deepfeature基本分为两类：1）先detecror在descriptor
2）detector和descriptor同时进行
本文提出的新的一种方式，先进行descriptor，然后无监督即可从descriptor中分析出detector
本文思路：
什么是角点？
角点应该满足两个性质：
1）high absolute saliency，也就是必须包含高度的显著性，这个意思是说应该在纹理丰富的区域。
2）high relative saliency，也就是必须在局部具有显著的区分性，这个意思是说局部应该有区别。
综上所述：
必须满足上述两条。光有丰富的纹理不行，比如相似纹理。光有局部区分也不行，比如墙角没啥纹理信息。
那么怎样提取出来满足上述两个条件呢？
2.1 首先是absolute saliency
想当然，想要看一个向量（descriptor）的信息是否充足，用熵呀，但是熵又需要概率，不好计算，
那么用方差代替吧：
其中F(x, y)表示的是pixel（x, y）位置的descriptor向量，F帽是均值。向量的平方的期望-向量的均值的平方（方差）
2.2 其次是high relative salienc
在sift中局部邻域区分性用的是像素之间的梯度差：
第一项W是权重可以使用卷积核。后边是像素值。u,v是设置一个windows滑动窗口。
在本文中使用descriptor：
2.3 最终descore：
！！！！！好了 有了loss，然后就可以训练refine了！！！！！！！
整个算法流程：
首先输入image 然后获得dense 的descriptor的map，然后抽取detector。
结果：对原有网络的提升还是挺明显的
