本研究提供了一种新型用于遥感图像检索(RSIR)的大规模数据集称为PatternNet, 同时对传统的手工特征方法和近期的深度学习方法进行了全面评估，以建立PatternNet基准测试结果作为未来遥感数据检索算法研究的基础。

Jun, 2017

本文提出了一种名为“概率加权紧凑特征学习”的有效方法，该方法提供了跨域检索精度所需的跨域相关性指导，并学习了一系列紧凑二进制代码来提高检索速度，通过构建一个共同的流形结构来探索跨域之间的相关性，丰富的实验验证了我们的方法优于许多最先进的领域自适应图像检索方法。

Mar, 2020

本文研究信息检索领域的图像-文本检索模型的可重复性问题，通过预训练和非预训练模型的消融实验证明了先前一些技术提高了检索效果，但仍需要关注影响检索召回率的因素。

Mar, 2022

本文研究了在跨模态（即文本和图像）环境下使用概率嵌入的优势，并提出了一种简单的方法，将现有图像-文本匹配模型中的标准向量点嵌入替换为参数化学习的概率分布。通过广泛的实验，证明在跨模态检索中，概率表示法具有一致的优势，并验证了其捕捉不确定性的能力。

Apr, 2022

本文提出了第一个图像查询性能预测（iQPP）的基准，并提出了新的预检索和后检索查询性能预测器，并通过对比现有预测器进行评估。实证结果表明，大多数预测器不能在不同的评估方案中推广使用。我们的综合实验表明，iQPP是一个具有挑战性的基准，揭示了未来研究需要解决的重要研究空白。我们将我们的代码和数据作为开源发布，以促进未来的研究。

Feb, 2023

本文提出了一种不需要标记的数据集来解决CIR问题的新方法Zero-Shot CIR，并介绍了一个基于视觉特征和文本描述的SEARLE方法，同时提出了一个名为CIRCO的真实场景数据集，实验表明SEARLE在CIRCO数据集上的表现优于基线方法。

Mar, 2023

提出了一种新颖的基于排名感知的不确定性方法，通过使用提供的三元组来建模多对多的对应关系，学习特征的随机排名列表，并对源输入和目标图像的分布表示进行分布规范化，从而在组合图像检索的两个公共数据集上取得了显著的结果。

Aug, 2023

内容检索(CBIR)系统在计算机视觉领域成为关键工具，通过基于视觉内容而非仅依赖元数据进行图像搜索。本综述论文全面介绍了CBIR，并强调了其在目标检测方面的作用，以及基于内容特征识别和检索视觉相似图像的潜力。文章探讨了CBIR系统面临的挑战，包括语义差距和可扩展性，并提出了潜在的解决方案。重点阐述了语义差距，即低级特征和高级语义概念之间的差异，并探索了弥合该差距的方法。值得注意的解决方案之一是集成相关反馈(RF)，使用户能够对检索到的图像提供反馈并迭代地改进搜索结果。综述涵盖了长期和短期学习方法，利用RF提高CBIR的准确性和相关性。这些方法侧重于权重优化和利用主动学习算法选择样本进行分类器训练。此外，本论文还研究了机器学习技术以及利用深度学习和卷积神经网络提高CBIR性能的方法。该综述论文在推进CBIR和RF技术的理解方面发挥着重要作用。它指导研究人员和从业者理解现有的方法、挑战和潜在的解决方案，促进知识传播和确定研究空白。通过讨论未来的研究方向，为增强CBIR在各个应用领域的检索准确性、可用性和效果奠定了基础。

Dec, 2023

通过使用球形线性插值（Slerp）和文本锚定调整（TAT）方法，我们提出了一种新的零样本合成图像检索（ZS-CIR）技术，使得图像和文本的融合嵌入更加准确，从而实现了在合成图像检索基准上的最先进的检索性能。

May, 2024

本研究针对内容基础图像检索（CBIR）领域中的不确定性问题，提出了一种证据变换器模型，以提高图像检索的稳健性和可靠性。通过将概率方法融入图像检索中，我们的实验结果在多个数据集上超越了传统的多分类训练基线，设定了新的检索基准。

Sep, 2024