本文介绍了一种交叉模态检索系统，通过单一网络实现图像与文本的融合检索。研究评估了该方法在MS-COCO和Flickr30K数据集上的表现，并探讨了多模态模型的发展、应用价值及面临的挑战，旨在推动图像-文本多模态模型的研究与合作。

本文介绍了一种名为双重语义关系注意力网络（DSRAN）的新型图注意力方法，旨在提高图像文本匹配的准确性。该方法通过不同层次的语义关系学习，在MS-COCO和Flickr30K数据集上取得了显著效果提升，并提出了图像场景的文本表示、对比学习框架及负样本挖掘技术，验证了其有效性。