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：构建所述输入数据，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。

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.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，“构建CNN-RNN模型，进行正向文本成；”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(Long Short-Term Memory，LSTM)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)计算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：计算αt中每一个元素的能量大小et＝{et，1，et，2，...，et，L}；g(·)代表一个简单的多层感知机(Multi-Layer Perception，MLP)：et＝{et，1，et，2，...，et，L}

计算基于文本内容的注意力的图像关注特征zt，带入“利用采用长短期记忆模型(Long Short-Term Memory，LSTM)处理序列的能力，指导每个单词的生成，生成完整的句子：”中计算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fconv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。

5.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，“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。

6.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，“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。”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：

λk＝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。

7.一种计算机设备，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6任一项所述方法的步骤。

8.一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6任一项所述方法的步骤。

9.一种处理器，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6任一项所述的方法。