Mudel õpib ennustama, millised visuaalsed tunnused vastavad tekstilistele kirjeldustele.

Mudel võrdleb pildi representatsiooni tekstiliste kirjelduste representatsioonidega ühises vektorruumis.

Mudel õpib genereerima piltidele tekstilisi kirjeldusi ja kasutab neid klasside määramiseks.

Mudel teisendab tekstilised kirjeldused fikseeritud klassisiltideks enne nende kasutamist.