该研究提出了一种简单易解释的推理模型，用于生成全局场景的主要对象和语义概念的可视化表示。该模型使用图卷积网络进行关联和推理，并使用门和记忆机制进行全局语义推理。实验证明该方法在MS-COCO和Flickr30K数据集上取得了相对于最佳方法分别为6.8％和4.8％的图像检索和字幕检索的新的最佳效果，Flickr30K数据集上分别提高了12.6％和5.8％的图像检索和字幕检索。