图像字幕已引起多媒体和计算机视觉领域越来越多的研究关注。 为了对视觉内容进行编码，现有方法通常利用现成的深度卷积神经网络（CNN）模型来提取视觉特征，然后将其发送到基于递归神经网络（RNN）的文本生成器以输出单词序列。 最近，一些方法利用注意力机制对视觉对象和场景信息进行编码。 尽管取得了令人鼓舞的进展，但一个明显的缺点是区分和建模关键语义实体及其关系，而这些语义实体又被广泛认为是我们描述图像内容的重要线索。 在本文中，我们提出了一种新颖的图像字幕模型，称为StructCap。它将模型中的给定图