يهدف التعلم القياسي العميق إلى تعلم دالة تربط بيكسلات الصور بمتجهات ميزات تمثيلية تعكس التشابه بين الصور. من أهم تطبيقات التعلم القياسي استرجاع الصور القائمة على المحتوى وتحقق الهوية من خلال الوجه. بالنسبة لمهام الاسترجاع، يعتمد معظم النهج الرائدة حاليًا (SOTA) على التدريب اللامعلمي القائم على الثلاثيات. أما بالنسبة لمهام تحقيق الهوية من خلال الوجه، فقد اعتمدت النهج الرائدة الحديثة (SOTA) على التدريب المعلمي القائم على التصنيف. في هذا البحث، ندرس فعالية النهج القائمة على التصنيف في مجموعات بيانات استرجاع الصور. قمنا بتقييم هذه النهج على عدة مجموعات بيانات قياسية مثل CAR-196، CUB-200-2011، Stanford Online Product، و In-Shop لمهمتي استرجاع الصور وتجميعها، وأثبتنا أن نهجانا القائم على التصنيف تنافسي عبر أبعاد مختلفة للميزات وشبكات الميزات الأساسية. كما قدمنا رؤى حول آثار تقليص العينات من الفئات للتدريب القائم على التصنيف قابل للتوسع، بالإضافة إلى آثار الثنائية التي تمكن من تخزين كفاءٍ وحساب كفاءٍ للتطبيقات العملية.