本文针对深度学习在实例级图像检索方面表现不佳的问题，提出了基于大规模嘈杂地标数据集的清洗方法、改进的 R-MAC 描述符、基于三元组损失的孪生网络，并在 Oxford 5k、Paris 6k 和 Holidays 数据集上，分别报告了 94.7，96.6 和 94.8 的平均精度，并通过产品量化处理可以实现图像表示的高度压缩。

Oct, 2016

该文提出了一个名为 DELG 的新模型，将全局和本地特征统一为一个深度模型，同时提出了一种自编码器的降维技术，该模型在图像检索和识别方面的表现都达到了最新的水平。

Jan, 2020

该篇论文提出了一种用于实例级别识别的高效学习本地描述符的方法，它使用度量学习来训练深度神经网络，通过内部组件的激活传递局部描述符。与现有本地描述符相比，在两个实例级别识别任务中提供更好的性能和更低的存储器需求，这证明了全局描述符在大规模情况下不够有效，适当的局部性是不可或缺的。

Jul, 2020

本文通过对局部卷积神经网络特征进行聚合研究，提出一种基于简单加总池化的高效图像检索方法，取得了显著提升的效果。

Oct, 2015

本文介绍了一种基于超级特征的深度图像检索架构，只需要图像标签即可训练。超级特征由迭代的注意模块构建，通过对 Super-features 实施对比损失来匹配图像。与局部特征相比，这种方法在存储空间方面具有显着优势，并在常见地标检索基准上表现出比现有方法更好的效果。

Jan, 2022

本文研究使用卷积网络所提供的图像表示在视觉实例检索任务中的可用性，并通过利用多尺度图像特征提取方案，特别地，通过将几何不变性纳入到明确的位置、尺度和空间一致性中的方法来提取来自于该网络的局部特征，实验结果表明，如果对其进行适当提取，那么通用卷积网络图像表示法可优于其他先进方法。

Dec, 2014

我们提出了一种基于卷积神经网络的关注局部特征描述符 DELF，它可以作为关键点探测器和描述符的一种替代品，能够产生可靠的置信度得分，能够有效地进行图像检索。我们对 Google-Landmarks 数据集进行了测试，结果表明 DELF 在大规模情况下优于最先进的全局和局部描述符。

Dec, 2016

本研究设计了一个用于单阶段图像检索的紧凑鉴别性表示学习框架，只需要图像级别的标签，通过动态调整损失尺度和边界、选择重要的局部描述符并注入细粒度语义关系，实现了全局尺度上的类间区分度优化，取得了在 Revisited Oxford 和 Revisited Paris 等基准测试中的最新单阶段图像检索性能。

Aug, 2023

本文提出了利用多种全局描述符来在端到端训练中获得合集效应的新框架，并通过定量和定性分析研究了多种全局描述符组合的有效性。在基准评估中，该框架在图像检索任务中实现了最先进的性能。

Mar, 2019

通过利用全局特征实现精确且轻量级的图像检索，本研究提出了一种名为 SuperGlobal 的图像检索范式，通过精细的再排序阶段来提高性能，并在标准基准测试中取得了显著的改进。

Aug, 2023