本文要解决的问题：
本文主要解决
detector 问题，为什么要解决这个问题呢？目前已知的detector的
可重复性检测不鲁棒
作者分析是没有像fast等这样使用像素的梯度信息，因此本文提出了一种
新的方法解决detector问题。
本文主要的贡献：
提出了一种融合传统detector方法和deeplearning的方法的特征detector 器，更加鲁棒稳定健壮。
首先是整体框架：
网络框架很简单，首先为了
仿照金字塔，对原始图像降采样+高斯blur（3层scale），然后在每个scale上进行网络学习。
然后每个输入首先执行像素上的梯度的一阶导数，得到一个feature map层，然后执行像素的二阶导数得到一个feature map层。
再然后经过几层CNN层，最后上采样到原始image 大小。再然后每个scale层累加融合，得到最终的一层W*H*1的response map
上述
融合两层的像素梯度导数层是第一个创新
然后看下loss：
将response层分割成grid，每个grid为N*N的windows大小（上述图片N=8），然后在每个小windows中进行局部极大值抑制。
1）首先对respondse的score进行归一化：
其中i表示这个windows的编号，wi(u, v)表示坐标u v处的响应值（类似superpoint）
2）然后直接“回归”出keypoint在这个小的windows中的坐标：
i还是表示windows的编号（那么也就是每个windows将会获得一个keypoint的候选），cw表示这个windows的左上角坐标
好了有了上述结果就可以类似别的deeplearning使用homograph”弱监督”的惩罚两张图的detector不一致性获得loss了：
其中a，b表示输入的两张图H表示之间的变换，xi，yi表示这个windows上的keypoint位置，R表示响应值。（上述就是两张图的keypoint的一致性）
为了使用multi-scale的windows因此做了不同的windows，如下图所示：
loss将会统计每个不同scale的windows的一致性
