Những năm gần đây, với sự xuất hiện của Internet đã thay đổi hoàn
toàn cách thức chúng ta tìm kiếm thông tin. Ví dụ khi cần tìm kiếm, đơn giản
chỉ cần gõ một vài từ khóa vào máy tìm kiếm Google hay Bing, ngay lập lức
có được một danh sách tương đối chính xác các trang web có liên quan đến
thông tin cần tìm. Đối với hình ảnh, cũng đã có các hệ thống tương tự. Với hệ
thống này, bằng cách lấy một ảnh đầu vào từ người dùng, hệ thống cố gắng
tìm kiếm các ảnh giống nhất trong cơ sở dữ liệu rồi trả lại cho người sử dụng.
Đây là hệ thống tra cứu ảnh theo nội dung hay đơn giản là tra cứu ảnh. Về cơ
bản, hệ thống hoạt động theo cách thức sau: Đầu tiên ảnh đưa vào để tìm kiếm
(hay gọi là ảnh truy vấn) và toàn bộ ảnh trong CSDL được hệ thống ánh xạ
sang các vector (đặc trưng của ảnh). Hệ thống sẽ tính toán và đo khoảng cách
giữa ảnh truy vấn với từng ảnh trong CSDL. Cuối cùng, các ảnh có khoảng
cách gần nhất với ảnh truy vấn được hệ thống trả về. Tuy nhiên kết quả trả về
vẫn còn xa so với sự mong đợi của người dùng. Ta thường gọi vấn đề này là
vấn đề “khoảng cách ngữ nghĩa”
