Назви класів перетворюються на текстові шаблони (наприклад, 'фото [класу]'), обчислюються їхні ембедінги, і зображенню присвоюється клас із найвищою подібністю ембедінгу.

Зображення порівнюється з базою даних усіх відомих картинок за допомогою алгоритму k-найближчих сусідів.

Модель донавчається (fine-tuning) на 10-15 прикладах нових зображень безпосередньо перед класифікацією.

Модель використовує випадковий генератор для визначення мітки класу, оскільки вона не навчалася під конкретне завдання класифікації.