يُقيَّم استرجاع الصور عادةً باستخدام مقياس الدقة المتوسطة (AP) أو الاسترجاع@ك. ومع ذلك، فإن هذه المقاييس محدودة بعلامات ثنائية ولا تأخذ بعين الاعتبار شدة الأخطاء. يُقدِّم هذا البحث منهجية جديدة لتدريب الدقة المتوسطة الهرمية (HAP-PIER) لاسترجاع الصور ذات الصلة. تعتمد HAPPIER على مقياس H-AP الجديد، الذي يستفيد من هيكلة المفاهيم لتحسين AP من خلال دمج أهمية الأخطاء وتقييم الترتيب بشكل أفضل. ولتدريب النماذج العميقة باستخدام H-AP، قمنا بدراسة دقيقة لמבנה المشكلة وصممنا حدًا سفليًا ناعمًا مُستبدلاً، إلى جانب خسارة تجميع (clustering loss) تضمن ترتيبًا متسقًا. أظهرت التجارب الواسعة على 6 مجموعات بيانات أن HAPPIER تتفوق بشكل كبير على أحدث الطرق في استرجاع الصور الهرمية، مع الحفاظ على الأداء المماثل للأساليب الحديثة عند تقييم الأداء التفصيلي للترتيب. وأخيرًا، نُظهر أن HAPPIER تُحسّن تنظيم فضاء التضمين، وتحمي من معظم حالات الفشل الشديدة التي تحدث في الطرق غير الهرمية. يُتاح الكود الخاص بنا بشكل عام عبر الرابط التالي: https://github.com/elias-ramzi/HAPPIER.