لقد حظيت مطابقة الصور والنصوص باهتمام متزايد منذ أن أصبحت جسرًا بين الرؤية واللغة. وتكمن التحدي الرئيسي في كيفية تعلم التوافق بين الصورة والنص. تتعلم الدراسات الحالية التوافق الخشن بناءً على إحصائيات التواجد المشترك للأجسام، لكنها تفشل في تعلم التوافق الدقيق للعبارات. في هذه الورقة، نقدم شبكة مطابقة ذات هيكل رسم بياني جديد (GSMN) لتعلم التوافق الدقيق. تعتمد GSMN على نمذجة الصورة والرابط والسمة بشكل صريح كعبارة منظمة، مما يسمح ليس فقط بتعلم التوافق للجسم والرابط والسمة بشكل منفصل، ولكن أيضًا بتعزيز تعلم التوافق الدقيق للعبارة المنظمة. يتم تحقيق ذلك من خلال مطابقة على مستوى العقدة ومطابقة على مستوى البنية. حيث تربط مطابقة العقدة كل عقدة بعُقد متعلقة منها من الوسيط الآخر، ويمكن أن تكون العقدة جسمًا أو علاقة أو صفة. ثم تُستخدم العقد المرتبطة معًا لاستنتاج التوافق الدقيق من خلال دمج الترابطات المجاورة في مرحلة مطابقة البنية. أظهرت التجارب الشاملة أن GSMN تتفوق على أحدث الأساليب في المعايير، مع تحسينات نسبية في دقة الاسترجاع @1 تصل إلى نحو 7% و2% على مجموعتي بيانات Flickr30K وMSCOCO على التوالي. سيتم إتاحة الكود على: https://github.com/CrossmodalGroup/GSMN.