بازیابی تصویر مبتنی بر محتوا (CBIR) به عنوان یکی از بنیادی ترین حوزه های بازیابی اطلاعات بصری، در دهه اخیر با تحولات چشمگیری مواجه شده است. چالش اصلی این سیستم ها، شکاف معنایی میان ویژگی های سطح پایین بصری (رنگ، بافت، شکل) و مفاهیم سطح بالای ادراکی انسان است. ظهور شبکه های عصبی کانولوشن عمیق (DCNN) به دلیل توانایی در استخراج سلسله مراتبی ویژگی های معنایی و انتزاعی، امیدواری های زیادی برای کاهش این شکاف ایجاد کرده است. این مقاله با مروری نظام مند بر ادبیات 2020 تا 2025، به تحلیل نقش DCNN در کاهش شکاف معنایی CBIR می پردازد. یافته ها نشان می دهد که مدل های پیش آموزش دیده مانند ResNet، VGG و GoogleNet با استخراج ویژگی های سطح بالای معنادار، دقت بازیابی را به طور قابل توجهی بهبود می بخشند. ترکیب ویژگی های عمیق با تکنیک های کاهش ابعاد، مکانیزم های توجه و روش های هشینگ عمیق، راهکارهای مؤثری برای غلبه بر چالش های مقیاس پذیری و پیچیدگی محاسباتی ارائه می دهند. با این حال، مسائل باز همچون تفسیرپذیری، وابستگی دامنه و نبود بنچمارک استاندارد، نیازمند تحقیقات بیشتر است.

بازیابی تصویر مبتنی بر محتوا شبکه عصبی کانولوشن عمیق شکاف معنایی استخراج ویژگی