画像認識と自然言語処理からなるマルチタスクを学習できる手法を提案する。深層学習の歴史では、画像認識と自然言語処理はそれぞれ独立したタスクとして研究が進められてきた。この２つのタスクには何かしらの関係性があると考えられるが、独立したタスクとして扱ってはその関係性を理解することはできない。本研究では、この２つのタスクからなるマルチタスクの学習法を提案する。