最近の画像検索タスクに関する研究では、異なるモデルをアンサンブル化し、複数のグローバル記述子を組み合わせることで性能向上が示されています。しかし、アンサンブルのために異なるモデルを訓練することは、時間とメモリの面で困難かつ非効率的です。本論文では、複数のグローバル記述子を活用してアンサンブル効果を得つつ、エンドツーエンドで訓練可能な新しいフレームワークを提案します。提案するフレームワークは、グローバル記述子、CNNバックボーン、損失関数、データセットによって柔軟かつ拡張可能であり、さらに複数のグローバル記述子を組み合わせる有効性について定量的および定性的に分析しています。我々の広範な実験結果は、異なる種類の特徴量プロパティを利用できるため、単一のグローバル記述子よりも組み合わせた記述子の方が優れていることを示しています。ベンチマーク評価において、提案するフレームワークはCARS196, CUB200-2011, In-shop Clothes, Stanford Online Productsなどの画像検索タスクで最先端の性能を達成しました。我々のモデル実装と事前学習済みモデルは公開されています。