يمكن أن يعزى نمو استرجاع المعلومات والخدمات المرتبطة بها إلى التقدم التقني. وفي الوقت نفسه، تتأثر الطرق التقليدية لاسترجاع المعلومات بقيود الأداء والدقة وقابلية التوسع. يعد نظام استرجاع المعلومات للحوسبة السحابية البعيدة الذي يعتمد على خوارزمية التجزئة الإدراكية العميقة المحسنة (IDP-HA) أحد الحلول التي تم تطويرها لحل هذه القيود. تُستخدم الأنظمة على نطاق واسع نظرًا لقدرتها على التعرف على الأنماط المعقدة في البيانات. لا تزال دقة قياس تشابه المعلومات غير متوفرة بسبب التعقيد الكامن في البيانات وطرق القياس. يستخدم أسلوب التجزئة الإدراكي العميق أطر عمل الشبكة العصبية العميقة (DNN) لاستخراج الميزات الهرمية من الصور المدخلة من مجموعة بيانات Microsoft Common Objects in context (MS COCO). يعد مرشح Gaussian (GF) أداة تستخدم في المعالجة المسبقة للصور الفردية لرؤى الكمبيوتر المختلفة. وبعد ذلك، تقوم هذه الطريقة بإنشاء أرقام التجزئة الرقمية عن طريق وصف العناصر المرئية للصور باستخدام آلية العتبة. هدفها الأساسي هو تحسين مقياس التشابه للحفاظ على التشابه الإدراكي وضمان تشابه رموز التجزئة للصور القابلة للمقارنة بصريًا. يتم تقليل استخدام الذاكرة باستخدام دالة التجزئة كخطوة أولى في إنشاء اتصال بين قاعدة البيانات والاستعلام. يجد هذا النهج تطبيقات في أنظمة استرجاع الصور القائمة على المحتوى، واسترجاع الصور، وتجميع الصور، واكتشاف النسخ. وبشكل عام، فهو يوفر إطارًا قويًا لإنتاج تمثيلات صور مدمجة وذات أهمية دلالية. تم تحسين IDP-HA للحوسبة السحابية عن بعد لتعزيز متوسط الاستدعاء ومتوسط الدقة ومتوسط قياس F1 ومتوسط توقيت الاستعلام لعمليات استرداد البيانات. تعمل هذه الطريقة على تقليل زمن الوصول وزيادة كفاءة النظام عن طريق إنشاء تمثيلات ثنائية مدمجة لبيانات الوسائط المتعددة. يمكن أن يكون الاسترجاع القائم على التشابه البصري موثوقًا وطبيعيًا حيث يتم الحفاظ على التشابه الإدراكي.