検出と特徴の作成を同時に行う。早期に検出を行わないことで、浅い層の低レベルの情報でなく、深い層から高レベルな情報を使用する。古典的な疎な特徴を使うアプローチと比較すると効率は悪くなるが、提案手法は一度CNNに通すだけで高レベルな情報に基づいた検出と記述が行え、省メモリ。画像をCNNに通して3次元のテンソルにし、画像全体を表す2軸から検出を行い、特徴には残りの一軸のベクトルを使用する。

昼の画像で構築した3Dモデルに対して夜の画像をとった姿勢を推定するAachenデータセットにおいて、密なCNN特徴を作るDenseSfMと比較すると、省メモリで、精度も向上。家具や照明が変化している家の中で、写真をとった姿勢を推定するInLocデータセットにおいては、既存の手法に提案手法を加えることで、精度が向上する。つまり、提案手法は既存手法では推定できていない難しい画像の姿勢も推定できている。