1.一种基于注意力反馈机制的图像自动语句标注方法，其特征在于，包括：构建输入数据，给定一系列的图像χ＝{x1，x2，...，xN}作为训练集，其中N是样本数量；

图像xi对应的语句表述为Si＝{si，1，si，2，...，si，T}，T代表句子Si的长度；

构建CNN‑RNN模型，进行正向文本生成；

从生成的文本中提取关键词注意力反向矫正图像注意力；

利用从文本中提取出的关注特征，对原本的图像关注特征进行注意力矫正；

其中，“构建CNN‑RNN模型，进行正向文本生成”具体包括：采用VGG‑16模型，从第二个全连接层提取长度为4096的图像特征fconv＝{a1，a2，...，aL}利用采用长短期记忆模型处理序列的能力，指导每个单词的生成，生成完整的句子：gt＝tanh(Wxcyt+Whcht‑1+Wzczt+bc)，   (2)it＝σ(Wxiyt+Whiht‑1+Wzizt+bi)，   (3)ft＝σ(Wxfyt+Whfht‑1+Wzfzt+bf)，   (4)ot＝σ(Wxoyt+Whoht‑1+Wzozt+bo)，   (5)ct＝ft⊙ct‑1+it⊙gt，   (6)ht＝ot⊙tanh(ct)，   (7)si，t+1＝softmax(Whht+bh)，   (8)其中，所有的W和b都代表待训练参数，yt代表t时刻的输入；it，ft和ot分别代表了LSTM中的输入门、遗忘门和输出门；ct和ht分别表示了LSTM的记忆单元和隐藏状态；σ(x)＝1/(1+e‑x

)为sigmoid激活函数；zt代表了利用了基于文本内容的注意力的图像关注特征，其计算方式如下

其中，利用CNN从图像中提取出的特征为fconv＝{a1，a2，...，aL}，对于t步骤的时候图像中的注意力αt＝{αt，1，αt，2，...，αt，L}的第i个元素可由下式计算得出:et，j＝g(aj，ht‑1)   (11)其中，et＝{et，1，et，2，...，et，L}代表αt中每一个元素的能量大小，同时反映了来自图像特征fconv和上一个隐藏状态ht‑1的信息；g(·)代表一个简单的多层感知机；

利用包含关注信息的图像特征来初始化模型，包括初始化图像中的关注区域和初始化LSTM；

初始化图像中的关注区域需对每个区域进行注意力均匀初始化：其中 1代表第一个循环；利用初始化的注意力，对从图像中提取的特征fconυ进行加权可得：在每一次循环中利用加了关注的图像特征，可以初始化LSTM的记忆单元c和隐藏状态h:

经由正向文本生成过程，LSTM的每一步都将产生一个单词，生成句子；

其中，“从生成的文本中提取关键词注意力反向矫正图像注意力”具体包括：在文本上的注意力β＝{β1，β2，...，βT}，在βt上的注意力计算如下其中ct＝gc(ht‑1)，代表每个单词的能量；gc(·)代表一个浅层的MLP；由上述计算可以得到LSTM中每一步的隐藏状态的关注特征集合：模型从生成文本中提取出文本上的关注特征，该特征包含了对每个单词的重要性分析，对模型认为是关键词的单词加大权重，反之减小权重；

其中，“利用上述从文本中提取出的关注特征，对原本的图像关注特征进行注意力矫正”具体包括：

利用图像的关注特征 和来自文本中的关注特征r可以计算出图像和文本的联合关注特征：

H＝Whaai+Whrr+bh，   (18)重新计算图像中的注意力可得：

k

λ＝softmax(tanh(H))   (19)利用公式(13)，更新关注特征 利用该信息在下一个循环中初始化LSTM以指导文本的生成。

2.根据权利要求1所述的基于注意力反馈机制的图像自动语句标注方法，其特征在于，输入数据为RGB三通道图像，缩放为预定大小。

3.根据权利要求2所述的基于注意力反馈机制的图像自动语句标注方法，其特征在于，所述预定大小是256*256。

4.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到3任一项所述方法的步骤。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到3任一项所述方法的步骤。

6.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到3任一项所述的方法。