Những năm gần đây, với sự xuất hiện của Internet đã thay đổi hoàn toàn cách thức chúng ta tìm kiếm thông tin. Ví dụ khi cần tìm kiếm, đơn giản chỉ cần gõ một vài từ khóa vào máy tìm kiếm Google hay Bing, ngay lập lức có được một danh sách tương đối chính xác các trang web có liên quan đến thông tin cần tìm. Đối với hình ảnh, cũng đã có các hệ thống tương tự. Với hệ thống này, bằng cách lấy một ảnh đầu vào từ người dùng, hệ thống cố gắng tìm kiếm các ảnh giống nhất trong cơ sở dữ liệu rồi trả lại cho người sử dụng. Đây là hệ thống tra cứu ảnh theo nội dung hay đơn giản là tra cứu ảnh. Về cơ bản, hệ thống hoạt động theo cách thức sau: Đầu tiên ảnh đưa vào để tìm kiếm (hay gọi là ảnh truy vấn) và toàn bộ ảnh trong CSDL được hệ thống ánh xạ sang các vector (đặc trưng của ảnh). Hệ thống sẽ tính toán và đo khoảng cách giữa ảnh truy vấn với từng ảnh trong CSDL. Cuối cùng, các ảnh có khoảng cách gần nhất với ảnh truy vấn được hệ thống trả về. Tuy nhiên kết quả trả về vẫn còn xa so với sự mong đợi của người dùng. Ta thường gọi vấn đề này là vấn đề “khoảng cách ngữ nghĩa”