في هذا البحث، نقترح شبكة عصبية عميقة ت💬 convoled (متشابكة) لتعلم تمثيلات الصور بهدف التقاط مفهوم التشابه البصري. نقدم هندسة ثنائية العمق (Siamese) والتي عند تدريبها على أزواج صور إيجابية وسلبية، تتعلم تمثيلاً يقرب بشكل دقيق تصنيف الصور حسب مفهوم التشابه البصري. كما قمنا بتنفيذ طريقة جديدة لحساب الخسارة باستخدام مقاييس خسارة زاوية (angular loss metrics) بناءً على متطلبات المشكلة. يتم دمج التمثيل النهائي للصورة من تمثيلات المستويات الدنيا والعليا. استخدمنا مصفوفة المسافة الكسرية لحساب المسافة بين التمثيلات المُتعلمة في الفضاء ذي الأبعاد النّ (n-dimensional space). في النهاية، نقارن هندستنا مع الهياكل العميقة الأخرى القائمة ونبين تفوق حلولنا من حيث استرجاع الصور من خلال اختبار الهيكل على أربع مجموعات بيانات. كما نوضح كيف أن شبكتنا المقترحة أفضل من الشبكات العصبية المتشابكة التقليدية العميقة المستخدمة لتقاط التشابهات الدقيقة للصور عن طريق تعلم تمثيل مثالي. 注：在上述翻译中，"convoled" 应为 "convolutional" 的笔误，因此在翻译时进行了修正。另外，“n-dimensional space” 在阿拉伯语中通常会保留“n”这个符号，表示“n维空间”。为了保持专业性和准确性，这里也做了相应的调整。