תחום הראייה הממוחשבת מגיע מהתחום של מדעי המחשב ובינה מלאכותית, ומטרתו העיקרית היא "ללמד מחשבים לראות" - כלומר, לבנות תוכנה וארכיטקטורה אשר מסוגלות לחקות (ואולי אפילו לשפר) את מערכת הראייה האנושית. אחד המטרות החשובות בתחום היא היכולת, בהינתן תמונה - שצולמה, למשל, בטלפון נייד - לזהות את העצמים השונים מופיעים בה. לרוב בעיה זו נפתרת על ידי בניית אוסף עצום של תמונות שמורכב מקטגוריות רבות - למשל 1,000 תמונות המכילות פרות, 1,000 תמונות המכילות אופניים, וכו'. לעתים ישנן אלפי קטגוריות כאלו. לאחר איסוף התמונות, נבנה "מסווג" אשר מטרתו למצוא לכל קטגוריה מאפיינים ייחודיים אשר מבחינים אותה מהשאר. מסווג זה מיושם על תמונות קלט חדשות, כאשר התוצאה - שאינה תמיד מדויקת לחלוטין עקב מורכבות הבעיה - היא רשימת העצמים המופיעים בתמונות. לדוגמה: ״תמונה זו מכילה שתי מכוניות ועץ אחד״. המטרה העיקרית של המחקר הנוכחי הייתה להאיץ את תהליך בניית המסווג. האתגר הגדול ביותר בתהליך הבנייה הוא שכל מסווג דורש "קבוצת אימון" של תמונות משתי הקטגוריות. למשל, במידה וברצוננו לבנות מסווג אשר מזהה תמונות המכילות מכוניות, עלינו להמציא אוסף של "דוגמאות חיוביות" שמכילות מכוניות, ואוסף של "דוגמאות שליליות" שאינן מכילות מכוניות. עם זאת, ברור כי אוסף הדוגמאות השליליות יהיה עצום בגודלו, ויכלול גם את כל "הדוגמאות החיוביות" של הקטגוריות שאינן מכוניות. ברור גם כי הכמות האדירה של הדוגמאות השליליות מובילה לכך שבניית המסווג היא תהליך ארוך ומסובך - ויתרה מזו, יש לחזור עליו עבור כל אחת מאלפי הקטגוריות הקיימות. הפתרון המוצע לבעיה זו התבסס על האבחנה כי אוסף הדוגמאות השליליות זהה כמעט לחלוטין בכל אחת מאלפי הקטגוריות: לדוגמא, אוסף כל התמונות שאינן מכילות חתולים זהה כמעט לחלוטין לאוסף כל התמונות שאינן מכילות כלבים. אי לכך, ניתן לחסוך כמות עצומה של זמן חישוב באמצעות שימוש בכל אוסף התמונות כאוסף הדוגמאות השליליות לכל קטגוריה. השיטה המוצעת יושמה ונבדקה על אוספים גדולים של תמונות, והניבה תוצאות מצוינות לא רק מבחינת הדיוק, אלא גם ובעיקר בצמצום זמן ריצה, לרוב בשלושה סדרי גודל (!) מעל לשיטות המקובלות.