表3.3は，おおまかに分かっている観測点からマーカスエンジニアリングの形を認識するための21回の学習の結果を示している． 表の右側は生成された最適な目標レベルの仮定におけるエラーを示している． ここで，右側が，最短距離の分類によって，証明された目標レベルの仮定におけるエラーを示しているが， これは，この仮定が証明されないときも含めている． 1番最初の試みによって証明された形は，この時に生成された最適なものだが，図3.11の前の方で示されている．
表3.3による形のエラーはいわゆる，焦点から建物の角までのベクトルの長さと位置，そして建物の回転から測定される． より正確にいえば，建物の位置のエラーは，(1) 正確な距離の割合として測定された建物への距離のエラーと，(2) 焦点から 建物角までの正確なベクトルと，見積もられたベクトルの間を角度によって測定された，建物の画像の位置として測定される． 建物の位置のエラーは，建物の表面の見積もられた位置と，その本当の位置との間の軸の角度のズレから測定される．
表3.3の最も当たっている特徴は，16回目の結果が示している． SLSによる16回目の学習された手法は，テスト画像に対して，正しいものも，正しくないものも， 単一の目標レベルの仮定は生成していない． 最後の分析は，21枚の画像の20枚において，それを明らかにしている． 建物の角は，画像の線の三面の結合で示されている． しかし，ある画像において，ノイズによって，3つの線のうち1つを失っている． 従って，三面の結合のない画像がトレーニング集合から排除している．
16番目の試みは，SLSによって学習された手法が， 95%の生成された3次元の建物の仮定の割合を与えるのを成功させる， 正しい目標レベルの過程を生成できなかった唯一の場合となった． しかし，15番目と20番目の試みにおいては，SLSは86%の成功確立をカバーする良くない仮定を証明している．