تركز هذه الدراسة على تعلم نماذج تمثيل بصري عميق للبحث من خلال استكشاف التفاعل بين دالة خسارة جديدة، وحجم الدفعة (batch size)، ونهج تنظيم جديد. لا يمكن تحسين مباشرة لمعيار تقييم باستخدام الانحدار التدرجي عندما يكون هذا المعيار غير قابل للاشتقاق، وهو ما ينطبق على مقياس الاسترجاع (recall) في مهام البحث. ولذلك، تم اقتراح دالة خسارة بديلة قابلة للاشتقاق لقياس الاسترجاع في هذه الدراسة. وباستخدام تنفيذ يتجنب القيود المادية لذاكرة وحدة معالجة الرسومات (GPU)، يتم تدريب النموذج باستخدام حجم دفعة كبير جدًا، وهو أمر بالغ الأهمية لحساب المقاييس التي تعتمد على قاعدة بيانات البحث الكاملة. كما يُدعم هذا الأسلوب بنهج فعّال لتنظيم المزج (mixup) يعمل على التشابهات العددية الزوجية، ويعمل بشكل وهمي على زيادة حجم الدفعة بشكل إضافي. تحقق الطريقة المقترحة أداءً من الدرجة الأولى (state-of-the-art) في عدة معايير استرجاع الصور عند استخدامها في تعلم القياس العميق. وعلى سبيل المثال، تتفوق هذه الطريقة على الطرق المماثلة التي تُدرّب باستخدام تقريب لمعيار الدقة المتوسطة (average precision).