（这里主要是记录一下自己看论文的思路和过程，目前时间不是很充足，有些写到一半，后面有时间会继续更新）
图像局部特征
传统的特征提取和特征描述方式，比如SIFT、SURF和ORB等，需要人工去手动提取特征点，然后设计特征描述符。目前随着深度学习的发展，越来越多的工作尝试使用学习的方式来提取特征点或者是计算特征点的描述符，后面会介绍一下相关的工作。
最近有很多的相关工作，想直接获取原文链接的同学，这里整理了一些可以参考（会同步更新的）：基于学习方式的图像局部特征。
相关工作
GeoDesc
SuperPoint
HardNet
L2-Net
LIFT
评价指标和数据集
局部特征评价指标
HPatches
Brown
总结对比
下面简单列举从14年来使用深度学习方法来提取特征点或者是计算特征点的描述符的工作。下面列举的方法的相关信息以及论文和代码链接都进行了整理，在链接可以找到。
传统方法我这里就不说明和列举了，有兴趣的可以自己去网上查询，资料很多的
| 提取 | 描述符 | |
|---|---|---|
| GeoDesc | N | Y |
| LF-Net | ||
| SIPS | ||
| DOAP | ||
| SuperPoint | Y | Y |
| AffNet | ||
| HardNet | N | Y |
| Spread-out | ||
| DeepCD | ||
| Quad-networks | ||
| L2-Net | N | Y |
| UCN | ||
| LIFT | Y | Y |
| DeepPatchMatch | ||
| DeepBit | ||
| TFeat | ||
| PN-Net | ||
| DeepDesc | ||
| DeepCompare | ||
| TILDE | ||
| MatchNet |