通过大规模、同步的数据进行深度判别式表示学习，实验结果表明该表示对跨模态检索和模态间转移分类器非常有用。网络能够在文本和声音之间进行转移学习，可视化揭示了许多隐藏的单元，自动检测概念，独立于模态。