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
本文尝试使用基于CNN的图像表示来重新设计目标检索流程，首次在Oxford5k和Paris6k数据集上效果能够与传统方法一较高下。
Nov, 2015
本文提出了一种新方法进行实例级别的图像检索，通过聚合多个基于区域的描述符为每个图像生成全局紧凑的固定长度表示，该方法基于一个特定图像检索任务训练的深度架构，利用排序框架来学习卷积和投影权重，并采用区域建议网络来学习应汇集哪些区域以形成最终的全局描述符。
Apr, 2016
本研究提出了一种用于图像检索的卷积神经网络Fine-tune方法，利用最先进的检索和运动结构方法，通过3D模型自动获取训练集，采用硬正负样本来提升性能。
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
本文介绍了一种用于大规模图像检索的新型Siamese网络，结合了CNN组件和Fisher vector组件，可以同时学习CNN过滤器权重和Fisher Vector模型参数，并且结果比现有的方法有显著改善。
Feb, 2017
通过人类视觉传递的信息流作为灵感，提出了一种基于CNN的特定目标检索方法，将注意力放在感兴趣的区域上可以显著提高检索的准确性，并且使用新颖的显着性度量对区域进行加权，进一步提高了检索的准确性。
Mar, 2017
本研究介绍了一种显式嵌入方法，将流形搜索转化为欧氏距离搜索，并且利用近似傅里叶基础加速在线搜索，从而提高了特定对象的检索精度和效率。
该论文提出了一种新的计算量小、效果好的框架，其中采用了不同的掩码计算策略和最新的嵌入聚合方法来提高图像检索的准确性；同时还利用哈希模块生成非常紧凑的二进制图像表示，并在六个图像检索基准测试中取得了最好的检索性能。
Feb, 2018
提出了一种新的扩散技术，将扩散结果预先计算并应用于数据库中的每个元素，以优化在线搜索性能，并采用 late truncation 方法改善检索效果。
Nov, 2018