B.Dataset and data preprocessingAs

B.数据集和数据预处理<br>如第III-B节所述，在我们的实验中，我们使用了从Flickr下载的5个不同地标（伦敦眼，圣马可，泰特现代美术馆，时代广场和特拉法加）的图像集。为了分析所提出算法的泛化性能，我们应该在看不见的数据上评估sHybridCNN，而这些数据根本不会在训练数据中呈现。因此，我们将训练数据集构造为4个界标的图像对的组合，将测试数据集构造为其余界标的图像对的集合。按照此过程，我们得到5个不同的测试和训练数据集。[2]最初提供了每个界标的图像和正图像对列表。此外，我们利用相同地标的图像随机生成了负对，因此测试数据集中匹配对和不匹配对的数量相等。与测试数据相反，所有训练数据集都是不平衡的。具体而言，训练数据中异种对的数量比异种图像对的数量大1.5。

B.数据集和数据预处理<br>如第三节-B节所述，在我们的实验中，我们使用从 Flickr 下载的 5 个不同地标（伦敦眼、圣马可、泰特现代、时代广场和特拉法加）的一组图像。为了分析所提议算法的泛化性能，我们应该根据培训数据中根本没有显示的看不见的数据来评估 sHybridCNN。因此，我们构建了一个培训数据集，作为 4 个地标的图像对和测试数据集的组合，作为剩余地标的一组图像对。按照此程序，我们会获得 5 个不同的测试和培训数据集。每个地标的图像和正图像对列表最初由 [2] 提供。此外，我们利用同一地标的图像随机生成负对，因此测试数据集中匹配和无与伦比的对数相等。与测试数据相比，所有培训数据集均不平衡。具体来说，培训数据中的不同对数比类似图像对的数量多 1.5 个。

B.Dataset and data preprocessingAs described in section III-B, in our experiments we use a set of images of 5 different landmarks (London Eye, San Marco, Tate Modern, Times Square and Trafalgar) downloaded from Flickr. To analyse generalization performance of the proposed algorithm, we should evaluate sHybridCNN on an unseen data which is not presented in training data at all. Therefore, we construct a training dataset as a combination of image pairs of 4 landmarks and a test dataset as a set of image pairs of the remaining landmark. Following this procedure, we get 5 different test and training datasets. The images and the list of positive image pairs for each landmark were originally provided by [2]. In addition, we randomly generated negative pairs utilizing images of the same landmark, so the number of matched and unmatched pairs in test datasets is equal. In contrast to test data, all training datasets are unbalanced. Specifically, the number of dissimilar pairs in training data is 1.5larger than the number of similar image pairs.<br>