图像相似度比对这个问题，在传统算法中常常转化为sift特征点比对的方法去做，主要是sift算法对图像的光照、旋转、位移等等具有比较强的鲁棒性，但是整体精度没有特别高。随着深度学习技术的发展，目前对这个问题的解应该更加完美。所以最进在试图探究这个更加完美的解。

直观思路有2条：一条是利用现成的pretrain_model计算图像的高维特征向量，然后对特征向量，计算余玄距离；另一条是针对特定场景数据，建立图像对的数据集，然后构建深度模型，直接学习相似度。

先说下答案：两者效果整体上差不多，但各有优缺点。pretain_model余玄距离方式：优点很明显，不用准备打标数据集训练，直接预测，卡个阈值就能用，而且非常通用，适用几乎所有数据，缺点是准确率稍微低些（但实测对于高召回、低准确的应用场景基本够用了）；针对特定场景数据训练方式：优点是可以针对特定场景数据集调优，精度可以达到我们想要的精度；缺点是耗时耗力、只针对特定场景、通用性差。

下面简单说下技术方案。pretainmodel余玄距离方式基本不用说了，网上下载下pretrain_model，写个脚本预测下就可以了。有个很好的github工程：https://github.com/cameronfabbri/Compute-Features，下载下来就能用，很方便，可以快捷验证。我们重点说下针对特定场景数据训练方式。

在利用基于深度学习进行相似度比对时，我重点参考了这篇paper：

Learning to Compare Image Patches via Convolutional Neural Networks​arxiv.org

文中有多种实验方案，归纳起来就2种：一种是对于图像对，用2个cnn分支分别抽取特征，然后concate起来，用全连接组织相似度判别器（其实就是分类器，相似或者不相似）；另一种是只用1个cnn分支，将图像对组织成一幅2倍于输入图像通道数的“图像”，作为cnn网络的输入，输出端也是用全连接组织相似度判别器，得到相似度值。可分别用下面两张图表达这个意思：

文中重点实验了3种思路的网络结构，我也一一复现了下，效果最好的是2ch-2stream结构，其次是2ch-deep结构，最后是2ch结构。作者放出了每种结构的具体设计，分别如下：

(i)2ch-2stream consists of two branches C(95,5,1)-ReLU-P(2,2)-C(96,3,1)-ReLU-P(2,2)-C(192,3,1)-ReLU-C(192,3,1)-ReLU, one for cen- tral and one for surround parts, followed by F(768)-ReLU-F(1)

(ii) 2ch-deep = C(96,4,3)-Stack(96)-P(2,2)-Stack(192)-F(1), where Stack(n) = C(n, 3, 1)-ReLU-C(n, 3, 1)-ReLU-C(n, 3, 1)-ReLU.

(iii) 2ch = C(96, 7, 3)-ReLU-P(2, 2)-C(192, 5, 1)-ReLU- P(2,2)-C(256,3,1)-ReLU-F(256)-ReLU-F(1)
其中，效果最好的是2ch-2stream结构图如下，一目了然，非常好理解：

说说我在调优过程中的优化点：

1）图像对训练集的建立。首先准备1w左右的数据（里面可能有少量相似样本，占比不到0.1）。相异样本就是每次fead数据时从这1w数据中随机抽取2张；相同样本是从中随机抽取1张，以及用这1张图片随机增强的图片。

2）文中用的公共数据集适合用64*64的输入，而我用的数据尺寸直接resize到64*64，信息损失会比较大。我统计了数据集所有图像的平均尺寸，得到适合的尺寸为：长=64，宽=256.

3) 自建了一个具有代表性的验证集。一一实验2ch/2ch-deep/2ch-2stream三种结构发现，在验证集上效果恰恰与文中所述结论相反。判断是过拟合验证了。在全连接的地方接了dropout, 系数设成0.9。由于每次训练是随机样本对，随机1个epoch应该是1w1w。所以训练久点，泛化要好些，但不能过长。迭代3w轮，batch_size=128。

最后，说下可能的优化点：

1）这篇文章发表在2015年，当时各种神经网络奇技淫巧，都没出来。所以替换掉中间的特征抽取网络，效果肯定能提升。比如加入resnet-block。

2）加上batch_normal，做正则。

3) 还没有实验文中的spp，加上估计有提升，因为保证了分辨率。