HF-Net是一个可以提取图像描述子（global_descriptors）和图像中的特征点（keypoints）及其描述子（local_descriptors）的卷积神经网络，前者用于图像检索，后者配合 SuperGlue/NN 等特征匹配算法可用于相机位姿计算。因此 HF-Net 的应用场景就是 SLAM中的地图定位与位姿恢复。
HF-Net论文地址
HF-Net代码地址
下面是安装步骤：
（1）下载源码
git clone https://github.com/ethz-asl/hfnet.git
（2）环境初始化
方法一：
作者写了一个初始化的脚本
make install
方法二：
但这里不打算使用该脚本，怕把Ubuntu环境搞乱了，还是自己按脚本内容一步一步来
#1.安装jupyter notebook
conda activate base
pip install jupyter
#2.创建一个虚拟环境用于HF-Net，虽然作者指定tf版本为1.12，但测试1.14也行，这里就安装1.14版本
conda create -n tf114 python=3.7
#3.把tf114虚拟环境添加到jupyter notebook中
conda activate tf114
conda install ipykernel
pip install --upgrade jupyter_client
python3 -m ipykernel install --user --name tf114 --display-name "tf114"
#4.开始配置tf114虚拟环境
conda activate tf114
pip install tensorflow_gpu==1.14.0
pip install keras==2.2.5
pip install protobuf==3.20.0
pip install pandas==1.0.0
pip install sklearn
pip install matplotlib==3.0.0
pip install numpy==1.19
pip install opencv-python==4.2.0.32
pip install scipy
pip install tqdm
pip install pyyaml
pip install flake8
pip install matplotlib
pip install protobuf
pip install sklearn
pip install pillow
pip install deepdish
#5.创建项目路径文件settings.py
cd hfnet
sh setup/setup.sh
# 运行后会让你在终端中输入两个路径：DATA_PATH和EXPER_PATH，前者是存放训练图像和预训练模型权重，后者存放 hfnet的训练输出，路径要为绝对路径，不要带~，例如我的是：
# DATA_PATH：/home/xxx/Project/python/tensorflow/hfnet/data/input
# EXPER_PATH：/home/xxx/Project/python/tensorflow/hfnet/data/output
# 路径会定义在./hfnet/settings.py文件中，后续也可以自己修改两个路径
（3）下载训练好的模型权重
下载好，解压后，将saved_models文件夹复制到EXPER_PATH路径下
（4）运行Demo程序
作者提供了一个Demo程序demo.ipynb，可以快速感受HF-Net提取的特征点的匹配结果
cd hfnet
# 打开jupyter notebook
conda activate base
jupyter notebook
jupyter运行后，打开demo.ipynb文件，修改运行环境为自己配置的虚拟环境tf114
然后一步步运行，加载模型哪一步，如果是下图则加载成功：
最后看一下匹配效果，在光照变换剧烈的情况下也可以成功匹配
