摘自论文：SIFT Meets CNN: A Decade Survey of Instance Retrieval - 2016

图：SIFT是计算从人工设定特征，CNN是利用大量神经网络提取特征。

实例检索发展：

视觉表征可分为基于SIFT和基于CNN两大类：

基于SIFT的方法大多依赖于BoW 模型.

基于SIFT的方法分为以下三类：

[1] - 使用小码本. 视觉单词（visual words）不到几千字. 压缩向量（Compact vectors）是在降维和编码之前生成的

[2] - 使用中型码本. 由于BoW的稀疏性和视觉词的识别能力较低，采用了倒排索引（inverted index）和二进制特征。精度和效率之间的权衡是一个主要的影响因素

[3] - 使用大的码本 .考虑到稀疏的BoW直方图和较高的视觉单词识别能力，采用了倒排索引和便于记忆的特征。在码本的生成和编码中使用了近似方法