Да, я так и думал делать

я бы делал задачу так:
брал одну картинку и вторую ставил сбоку, и спрашивал, а похоже ли, что одна картинка это продолжение второй?
можно и просто посмотреть на похожесть границы картинок, но нейросети могли бы точнее определить наличие одинаковых продолжающихся протяжённых предметов.
другое дело, что тогда подобных проверок будет надо много делать на одну картинку — это медленно.
ну, можно комбинировать подходы, а можно дополнительную нейросеть заставить определять, на сколько пикселей картинку нужно сдвинуть.
а ещё можно приблизительное определение границы делать стандартной суммой квадратов разностей цветов точек на границе картинок, а потом уже для более точного определения привлекать нейросеть.

ну значит так и делай. вообще, в любом приличном исследовании обычно как минимум два способа пробуют (или две вариации), и ещё и с чужими результатами сравнивают.

Распараллелить и будет норм

этот предварительный поиск параллелить не надо — там лучше применить матричное умножение, и будет супербыстро.

Вопрос тогда такой какую нейросеть использовать?  Сверточную?

для задачи определения точного совпадения? как обычно, начинаешь с классических архитектур и уже натренированных нейросетей под близкие задачи (если есть такие). потом, если есть гипотезы, как улучшить — улучшаешь. процесс документируешь в исследовании, получаешь более солидную и полезную научную работу.

Для дипломной работы пойдет?)

Здравствуйте, ребят такой вопрос. Имеются фотографии местности ( карта ), мне нужно все эти карты соеденить воедино правильно, чтобы получить общую карту. Какую использовать нейросеть ? Перцептрон не предлагать.

Это стандартная задача на локальные дескрипторы. Гугли surf sift и им подобные. В opencv есть готовая реализация

Пересечения должны быть

Это стандартная задача на локальные дескрипторы. Гугли surf sift и им подобные. В opencv есть готовая реализация