该论文引入了第一个像素检索基准，通过标注相关像素可以显著提高用户体验，并且提出了基于 ROxford 和 RParis 数据集的 PROxford 和 PRParis 像素检索基准，通过实验证明像素检索任务具有挑战性并且与现有问题有区别。

Sep, 2023

本文针对图文检索中的细粒度语义匹配问题，以 MSCOCO-Test-5K 和 Flickr30K-Test-1K 数据集不足的情况为背景，提出了将其重建为 MSCOCO-FG 和 Flickr30K-FG 等数据集的方法，并通过模型评估和实验指出了模型在细粒度语义理解方面的不足之处和提升空间。

Apr, 2023

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

该论文提出一种新的大规模基准数据集 SPair-71k 用于在计算机视觉领域解决语义对应问题，其中包含大量变化视角和尺度的图像，从而为解决语义对应问题提供了可靠的测试基础和促进此领域的进一步发展。

Aug, 2019

通过针对视觉定位任务设计的检索方法，对知名的图像检索技术在多个数据集上进行了对比，发现经典的标志性目标的检索效果与定位效果并不完全匹配。

Nov, 2020

该研究论文研究了视觉定位中图像检索方法对定位性能的影响，并提出了专为定位场景设计的检索方法的需求。通过引入基准测试和多种 “地面真实性” 定义以及针对经典地标检索或地点识别任务的检索效能的分析，探讨了这种影响。

May, 2022

通过建立大规模标准数据集，我们希望能够为 AI 增强的制图应用提供有用的资源，包括地图文本注释识别、地图场景分类、地图超分辨率重建和地图风格转换等任务，以推动深度学习方法在复杂地图内容识别、模式识别和内容检索方面的最新技术发展。

Dec, 2023

该论文探讨了图像检索的基本问题，提出了一种基于数据清洗和度量学习模型的解决方案，并采用一种名为 Corner-Cutmix 的数据增强方法，提高了模型识别多尺度和被遮挡地标图像的能力。

Aug, 2020

smlyaka 团队基于深度卷积神经网络与度量学习构建了一个鲁棒的人工智能系统，这个系统在 Google Landmarks-v2 数据集噪声和多样性较高的情况下表现出更好的识别和检索效果，其包括自动数据清理系统和提高数据区分度的再排序方法，并在 Google Landmark Retrieval 2019 挑战赛中获得了第一名，并在 Kaggle 的 Google Landmark Recognition 2019 挑战赛中位列第三。

Jun, 2019

本文提出了针对酒店识别领域中的 Hotels50K 和 Hotel-ID 两个数据集的更新版本，以提供不同难度等级的评估设置，以更好地适应于拟定的真实应用领域，从而在对抗人口贩卖中起到作用。通过多种最先进的图像检索模型对此设置进行测试，结果显示，正如预期，模型性能随着评估逐渐接近真实世界的未知情况而下降。最佳模型排名也会随着不同的评估设置而改变，这进一步推动使用所提出的更新版本数据集。

Jul, 2022