计算机视觉领域使用各种技术来提取关键点。这些技术分为两类 - 基于传统计算机视觉的 SIFT、SURF [2]、KAZE [3] 等特征提取方法，或者基于深度神经网络 (DNN) 的特征提取方法。

基于 DNN 的关键点提取法的一个重要优势是，该过程可使用通用型深度学习加速器来执行。相比之下，基于传统 CV 的关键点提取器要么需要设计专门的硬件加速器 (HWA)，要么使用通用处理器内核。前者限制了客户可以使用的特征类型，后者的效率非常低，因此基于 DNN 的关键点提取法成为更实用的解决方案。

本文档描述了用于定位的基于 DNN 的特征提取方法。需要专门指出的是，此处所述的算法使用 DNN 以受监督的方式学习类似 KAZE [3] 的特征描述符，因此被称为 DKAZE 或深度 KAZE。使用 DKAZE 框架可提取关键点和对应的描述符，如 [3] 中所示。如需有关此算法的更多详情，请单击此处。提取关键点后，下一步是对提取的特征和存储的 3D 地图中的特征进行匹配，从而估计车辆/机器人的姿态。图 2-2 所示为 DKAZE DNN 的网络结构。