この研究は、画像からベンガル語の自然言語キャプションを生成するためのCNNと双方向ゲート付き再帰ユニット（BGRU）に基づいた構造モデルを提案しています。約2億4300万人が話すベンガル語は、世界で7番目に話されている言語ですが、ベンガル語による記述生成に関する研究は非常に少ないです。このモデルは、視覚障害者の日常生活を助けたり、言語の壁を越えて理解を促進することが期待されています。提案モデルでは、事前学習済みの深層畳み込みニューラルネットワークであるInceptionV3をエンコーダーとして使用し、画像を分析・分類・注釈付けします。BGRUをデコーダーとして用い、アルゴリズムの引数最大化およびビームサーチを適用して、高品質のキャプションを生成します。8000枚の画像とそれぞれ5つのキャプションからなる新たなデータセットBNATUREを使用し、訓練とテストを行いました。さらに、BLEUスコアを評価指標としており、BLEU-1が42.6などの結果が得られています。