أظهرت عدة أعمال حديثة أن واصفات الصورة الناتجة عن الشبكات العصبية التلافيفية العميقة تحقق أداءً متفوقًا في مشكلات تصنيف الصور واسترجاعها. كما أُثبت أن التنشيطات الناتجة عن الطبقات التلافيفية يمكن تفسيرها على أنها ميزات محلية تصف مناطق معينة في الصورة. ويمكن تجميع هذه الميزات المحلية باستخدام طرق تجميع تم تطويرها لميزات محلية (مثل متجهات فيشر)، مما يُنتج واصفة عالمية قوية جديدة. في هذه الورقة، نستعرض الطرق الممكنة لتجميع الميزات العميقة المحلية بهدف إنتاج واصفات مختصرة للبحث عن الصور. أولاً، نوضح أن الميزات العميقة والميزات التقليدية المُصممة يدويًا تمتلك توزيعات مختلفة جدًا للتشابه الثنائي، وبالتالي يجب إعادة تقييم الطرق الحالية لتجميع الميزات بشكل دقيق. يُظهر هذا التقييم المُعاد أن الميزات العميقة التلافيفية تتفوق على الميزات السطحية في الأداء عند استخدام طريقة التجميع البسيطة القائمة على التجميع بالجمع (sum pooling)، حيث تتميز هذه الطريقة بالكفاءة، وعدد قليل من المعاملات، ومخاطر منخفضة من التعلّم الزائد عند، مثلاً، تعلّم مصفوفة تحليل المكونات الرئيسية (PCA). علاوةً على ذلك، نقترح خطة بسيطة وفعالة لتوسيع الاستعلام (query expansion) تناسب الطريقة المقترحة لتجميع الميزات. بشكل عام، تُحسّن الواصفة العالمية المختصرة الجديدة الأداء في أربع معايير شائعة بشكل ملحوظ، مما يُحدث تقدمًا في الحد الأقصى من الأداء الحالي في المجال.