Эээ...
С одной стороны, да, самообучаемые алгоритмы совершили серьёзный рывок.
С другой стороны, там несколько проще, чем вы себе представили. Любой предмет, лицо, или задница, или дом имеют свой набор характеристик на изображении. Эти характеристики группируют (многомерная кластеризация). И по характеристикам дома с лицами пересекаются очень редко. А база картинок с подписями для хорошей кластеризации у поисковиков есть...