一、概述
基于内容的图像检索（CBIR）——这是一个建立已久的研究领域，需要提高实时检索的效率和准确性。人工智能在CBIR方面取得了进展，极大地促进了实例搜索过程。在这项调查中，我们回顾了最近基于深度学习算法和技术开发的实例检索工作，调查由深度特征提取、特征嵌入和聚合方法以及网络微调策略组织。我们的调查考虑了各种各样的最新方法，通过这些方法，我们确定了里程碑式的工作，揭示了各种方法之间的联系，并提出了常用的基准、评估结果、共同的挑战，以及提出了有希望的未来方向。
基于内容的图像检索（CBIR）是在给定查询图像的情况下，通过分析视觉内容（颜色、纹理、形状、对象等）来搜索图像库中的相关图像的问题。CBIR一直是计算机视觉和多媒体领域的一个长期研究课题。随着图像数据的指数级增长，开发能够有效管理此类大型图像采集的适当信息系统至关重要，图像搜索是最不可或缺的技术之一。因此，CBIR的应用潜力几乎无穷无尽，如人/车再识别、地标检索、遥感、在线产品搜索等。
一般来讲，CBIR方法可以分为两个不同的任务：类别级图像检索（CIR）和实例级图像检索（IIR）。
CIR的目标是找到代表与查询相同类别的任意图像（例如，狗、汽车）。相比之下，在IIR任务中，给出了特定实例（例如，埃菲尔铁塔，我邻居的狗）的查询图像，目标是找到包含相同实例的图像，这些图像可以在不同的条件下拍摄，如不同的成像距离、视角、背景、照明和天气条件（重新识别相同实例的示例）。