Hiện nay, các hệ thống tìm kiếm ảnh đã được phát triển và đưa vào nhiều ứng
dụng khác nhau như nhận dạng tìm kiếm khuôn mặt [1]; tìm kiếm ảnh hàng hóa [2];
tìm kiếm ảnh y tế [3], tìm kiếm ảnh vệ tinh [4], v.v. Có hai phương pháp tìm kiếm
ảnh thông dụng bao gồm: tìm theo từ khóa TBIR (Text-based Image Retrieval) và tìm
theo nội dung CBIR (Content-based Image Retrieval). Phương pháp TBIR thực hiện
tìm kiếm ảnh tương tự dựa trên việc lập chỉ mục, mô tả, chú thích hình ảnh được cung
cấp từ người dùng [5, 6]. Phương pháp này có một số hạn chế: (1) tốn kém chi phí tài
nguyên về con người cho việc chú thích hình ảnh; (2) việc mô tả nội dung hình ảnh
còn mang tính chủ quan của con người. Để giải quyết những hạn chế của phương
pháp TBIR, phương pháp tìm kiếm ảnh dựa trên nội dung CBIR được phát triển.
Phương pháp này tập trung vào việc trích xuất và so sánh các đặc trưng cấp thấp (low-
level features) của các hình ảnh như màu sắc, kết cấu, hình dạng, vị trí và một số đặc
trưng khác [7-9]. Các kết quả của nhiều công trình nghiên cứu trong thập kỷ qua đã
thể hiện tính hiệu quả và độ chính xác của các kỹ thuật dựa trên CBIR và đã ứng dụng
trong nhiều hệ thống tìm kiếm ảnh [10]. Hệ thống CBIR hỗ trợ người dùng tìm kiếm
tập các ảnh tương tự nhau về nội dung dựa trên các đặc trưng cấp thấp nhưng các
hình ảnh kết quả có thể khác nhau về ngữ nghĩa [11]. Đây chính là khoảng cách giữa
ngữ nghĩa cấp cao và các đặc trưng thị giác cấp thấp của hình ảnh, việc thu hẹp khoảng
cách này là một trong những thách thức lớn trong các hệ tìm kiếm ảnh dựa trên nội
dung [12, 13]. Do đó, bài toán phân tích và tìm kiếm ảnh theo tiếp cận ngữ nghĩa
trong lĩnh vực thị giác máy tính đang rất được các nhà nghiên cứu quan tâm [14-16].