通过卷积神经网络（CNN）进行物体识别可以识别数百种物体。虽然物体识别模型可以识别狐狼和食蚁兽，但描述模型不能构成句子来正确描述这些动物的上下文。在我们的工作中，我们通过构建可以描述新对象的视觉描述系统来克服这个问题，而不需要关于这些对象的图像和句子。