2015CVPR：MatchNet_ Unifying Feature and Metric Learning for Patch-Based Matching
主要是基于patch的图像特征匹配，基于patch的论文有很多了，例如：
Learning to Compare Image Patches via Convolutional Neural Network（也是15年CVPR）
Image Patch Matching Using Convolutional Descriptors with Euclidean Distance
于是打算利用keras实现，但是没有利用这些论文都使用的benchmark data，即含有3个子set的patchdata：Multi-view Stereo Correspondence Dataset。
大体上说，这些文章的思路都是利用一对CNN来提取一对图像特征，然后通过欧氏距离（经典如Saimese网络）或者通过全连接网络（Matchnet）来实现特征的对比，最后通过交叉熵函数来完成优化。
论文很好懂，然后文中也有作者训练好的caffe模型，但是并没有训练过程，所以借此机会利用keras练练手。
先说遇到的问题，keras（0.8.2的theano和1.0.7的keras，目前最新大约是0.9的theano和2.0的keras）利用GPU时总是出现损失为NAN的情况，一开始以为是参数问题，所以修改了权重初始化和Dropout等网络结构，发现任然如下图：
而且当我跑keras自带的examples：mnist_cnn时竟然损失一路为NAN（笑哭/(ㄒoㄒ)/~~），我赶紧换成CPU跑了下，一切正常，正确率又飙到了99%多。我想是不是.theanoc.txt出了问题，我把optimizer=fast_compile删掉（PyCharm跑总是提醒内存问题。。PyCharm确实很占地儿，所以转战Spider），同时把device=gpu改成了gpu0.结果正常了。。如下图：
还没有进一步调参，一直被NAN所困。。而且网络也被我改得面目全非（因为只是测试数据量只有15000），和MatchNet作者的网络出入很大。但是基本思路都是CNN+全连接。。
增大了卷积核，loss下降到0.26，同时训练正确率也在90%以上:
将原数据的10%作为验证集：
再利用keras的模型可视化工具将模型结构可视化，方法见keras中文文档和博客：
from keras.utils.visualize_util import plot plot(model, to_file='model.png')
如图：
或者如果要在ipython中展示图片：
from IPython.display import SVG from keras.utils.visualize_util import model_to_dot SVG(model_to_dot(model).create(prog='dot', format='svg'))
效果和上图一样。