该研究使用深度学习方法开发了一个专用于视觉数据表示的私有语言，并通过神经机器翻译和随机森林分类的分类层将符号表示转化为类别标签。通过两个实验，研究了从真实图像中生成的草图以及从3D运动捕获系统生成的2D轨迹，并解释了学习到的符号和嵌入。