该论文提出了一种带有附加概念层的CNN架构的引导学习方法，用于学习视觉特征和单词短语之间的关联，并通过优化预测准确性和特征表示的语义来学习与人类感知一致的概念。实验结果表明，该模型可以在不牺牲准确性的情况下学习一致于人类感知的概念，并将这些学习到的概念转移到具有相似概念的新对象类别中。