人間は，木は緑という知識を利用して，木を認識している．つまり色に関する知識が物の認識を助ける． これは視覚情報をbottom-up に処理したものと，知識情報を top-down に処理したものの両方を使っているということ． この論文ではこの人間の物体の認知のフレームワークを考慮して，物の色を推定するタスクを，視覚情報 (vision) とその単語情報 (language) の両方を使って解いた．