文献：Deep Image Homography Estimation，下载地址
输入：128x128x2
Padding：'SAME'
池化步长：2
回归模型（HomographyNet-Regression）：
conv1 3x3 : 128x128x64
conv2 3x3 : 128x128x64
maxpooling1 2x2: 64x64x64
conv3 3x3 : 64x64x64
conv4 3x3 : 64x64x64
maxpooling2 2x2: 32x32x64
conv5 3x3 : 32x32x128
conv6 3x3 : 32x32x128
maxpooling3 2x2: 16x16x128
conv7 3x3 : 16x16x128
conv8 3x3 : 16x16x128
fully connect1: 1024x1
fully connect2: 8x1
loss function:
分类模型（HomographyNet-Classification）：
conv1 3x3 : 128x128x64
conv2 3x3 : 128x128x64
maxpooling1 2x2: 64x64x64
conv3 3x3 : 64x64x64
conv4 3x3 : 64x64x64
maxpooling2 2x2: 32x32x64
conv5 3x3 : 32x32x128
conv6 3x3 : 32x32x128
maxpooling3 2x2: 16x16x128
conv7 3x3 : 16x16x128
conv8 3x3 : 16x16x128
fully connect1: 1024x1
fully connect2: 8x21
softmax
loss function:
训练方式：SGD(随机梯度下降法) ，momentum = 0.9
训练数据制作：
训练标签:
,与放射矩阵H一一对应
训练设置：conv8与fully connect1需要添加dropout=0.5
测试数据集：MS-COCO
运行效率：NVIDIA Titan X GPU， 300fps