Niezadowoleni z przekraczania ludzkiej dokładności w trudnym zadaniu rozpoznawania obiektów ImageNet, badacze wizji komputerowych podjęli się trudniejszego problemu tworzenia napisów do obrazów. Niektóre imponujące przykłady to „Osoba jadąca motocyklem po polnej drodze”, „Dwie pizze siedzące na kuchence” i „Grupa młodych ludzi grających we frisbee”. Obecne systemy są jednak dalekie od doskonałości: „lodówka wypełniona mnóstwem jedzenia i napojów” okazuje się być znakiem zakazu parkowania, częściowo zasłoniętym mnóstwem małych naklejek