SCOSC حسین ترحمی اردکانی Research Letters on Management in Organizations مجله بین‌المللی کامپیوتر، فناوری اطلاعات و هوش مصنوعی 2 2 (تابستان) 2026 09 15 Content-Based Image Retrieval Using Deep Convolutional Neural Networks and Bridging the Semantic Gap بازیابی تصویر مبتنی بر محتوا با شبکه های عصبی کانولوشن عمیق و کاهش شکاف معنایی 41 52 FA ali habibi Ardakan Municipality, Fars علی حبیبی شهرداری اردکان فارس 2026 08 24 Content-Based Image Retrieval (CBIR), a fundamental area of visual information retrieval, has undergone significant transformations over the past decade. The primary challenge facing these systems is the semantic gap between low-level visual features (color, texture, shape) and high-level human perceptual concepts. The emergence of Deep Convolutional Neural Networks (DCNNs) has raised high hopes for bridging this gap, thanks to their ability to hierarchically extract semantic and abstract features. Through a systematic review of literature from 2020 to 2025, this paper analyzes the role of DCNNs in narrowing the semantic gap in CBIR. Findings indicate that pre-trained models—such as ResNet, VGG, and GoogleNet—significantly enhance retrieval accuracy by extracting meaningful, high-level features. Combining deep features with dimensionality reduction techniques, attention mechanisms, and deep hashing methods offers effective solutions for overcoming challenges related to scalability and computational complexity. However, open issues such as interpretability, domain dependency, and the lack of standard benchmarks require further research. 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. https://ijcitai.ir/downloadfilepdf/221649