Machine learning models for visual recognition tasks such as image recognition is a common research area as of lately. However, not much research has been made when multiple features are to be extracted from the same input. This thesis researches if and how knowledge about one feature influences model performance of a model classifying another feature, as well as how the similarity and generality of the feature data distributions influences model performance. Incorporating augmentation inputs in the form of extra feature information in image models was found to yield different results depending on feature data distribution similarity and level of generality. Care must be taken when augmenting with features in order for the feature not to be completely redundant or to completely take over in the learning process. Selecting reasonable augmentation inputs might yield desired synergy effects which influences model performance to the better. / Maskininlärningsmodeller för uppgifter inom visuellt igenkännande så som bildigenkänning har på senaste tiden varit ett vanligt forskningsområde. Dock har inte mycket forskning fokuserats på att extrahera multipla särdrag från samma inmatning. Detta examensarbete syftar till att undersöka hur kunskap om ett särdrag influerar en modells prestanda som syftar till att klassificera ett annat särdrag, men även hur likhet och generalitet i särdragens datadistribution influerar modellprestanda. Integrering av förstärkande inmatning i form av extra särdragsinformation i bildklassificeringsmodeller visades ge olika resultat beroende på likhet och generalitet av distribution av särdragsdata. Hänsyn måste tas när förstärkande särdrag används för att de förstärkande särdragen inte ska bli helt redundanta eller helt ta över under träningsprocessen. Väljande av rimliga förstärkningssärdrag kan medföra önskade synergieffekter vilket påverkar modellprestandan till det bättre.