1.一种基于条件嵌入预训练语言模型的图像标题生成方法，其特征在于包括以下步骤：

步骤(1)使用目标检测方法Faster RCNN对图像进行目标检测，并将检测结果作为构建图像的关键词集合，将关键词集合和特殊字符组成输入序列，输入序列通过词嵌入的方式进行输入，构建关键词嵌入网络KEN；

步骤(2)使用预训练的图像提取模型ResNet对图像进行特征提取，构建特征编码网络；

对图像进行编码，将编码结果通过条件嵌入的方式进行输入，构建视觉嵌入网络VEN；

步骤(3)针对预训练语言模型，transformer中的LN层已有现成的、无条件的g和b，且g和b用于对特征施加增益和偏置操作时，都是固定长度的向量；通过VEN将图像编码为g',b'；

g',b'跟g,b具有相同的维度，将VEN的编码结果g',b'分别加到g和b上去，构建条件嵌入归一化层CELN；

步骤(4)将KEN和VEN的编码结果分别作为预训练语言模型的序列输入和条件嵌入；用CELN替换UNILM的transformer中所有的LN层，构建CE‑UNILM模型；

步骤(5)对CE‑UNILM模型进行训练，挑选最优训练模型；将图片输入训练好的CE‑UNILM模型，输出对应的图像标题；

所述步骤(3)具体实现过程如下：

3‑1计算特征x在LN层的归一化统计量均值μ和方差σ，特征x通过均值μ和方差σ，可以得到归一化后的特征值为x'，如公式(5)所示：其中，ε是一个很小的小数，防止除0；

3‑2在LN中需要一组参数来保证归一化操作不会破坏之前的信息，在LN中这组参数叫做增益g和偏置b，LN的输出如公式(6)所示；

fLN(x')＝g☉x'+b (6)合并公式(5)，(6)，LN层最终输出，如公式(7)所示；

3‑3对于transformer来说，已经有现成的、无条件的g和b了，它们都是长度固定的向量；VEN将图像特征编码到跟g和b一样的维度，然后将两个编码结果g'和b'分别加到g和b上去如公式(8)(9)所示；

3‑4通过CELN获得新特征为 计算过程如公式(10)所示；

其中，μ和σ是分别是均值和方差；

步骤(4)所述具体实现过程如下：

4‑1将KEN作为预训练语言模型UNILM的输入，VEN的结果作为预训练语言模型UNILM的条件输入，用CELN替换UNILM中transformer的所有的LN层；

4‑2将步骤4‑1中KEN、VEN以及加入了CELN的UNILM模型进行组合，构建CE‑UNILM模型。

2.根据权利要求1所述的一种基于条件嵌入预训练语言模型的图像标题生成方法，其特征在于所述步骤(1)具体实现过程如下：

1‑1使用在Visual Genome数据集上预训练的Faster RCNN对图像进行目标提取；

Faster RCNN能够获得目标类别以及相应目标在图像中的区域；为了用于图像标题生成任务，取模型最终类别输出并得到关键词集合W＝{w1,w2,…,ws}；其中，ws是通过目标检测算法对图像提取的类别如公式(1)所示；

W＝Faster RCNN(I) (1)

1‑2获取关键词集合W后，将W和三个特殊标记组合为输入序列S；三个特殊标记分别为：[CLS]、[SEP]和[STOP]；其中[CLS]放在第一个关键字之前，要在句子A之前加[CLS]标志；

[SEP]用于分开两个输入句子，在句子A后面且句子B前面增加[SEP]标志；[STOP]放在句子结束，表示句子结束，在句子A后面加[STOP]标志；

1‑3将步骤1‑1中目标检测所获得的类别ws进行编码，维度为768；若N为输入序列S的最终序列长度，则S的维度为768*N。

3.根据权利要求2所述的一种基于条件嵌入预训练语言模型的图像标题生成方法，其特征在于所述步骤(2)具体实现过程如下：

2‑1基干网络使用在ImageNet上预训练的ResNet模型，获得对应图像I的图像特征Iresnet，其维度为2048维，如公式(2)所示；

Iresnet＝ResNet(I) (2)

2‑2采用双通道结构，每个通道上图像特征Iresnet经过两层512维的全连接操作以及两层Swish激活函数，然后升维到768维，最终表达如公式(3)(4)所示；

g'＝fVEN‑DC1(Iresnet) (3)b'＝fVEN‑DC2(Iresnet) (4)其中，fCEN‑DC1和fCEN‑DC2分别代表两个不同的通道；由于图像特征Iresnet在训练过程中，两列参数的调整逐渐不同，所以最终产生的g'和b'也不相同。

4.根据权利要求3所述的一种基于条件嵌入预训练语言模型的图像标题生成方法，其特征在于步骤(5)所述具体实现过程如下：

5‑1进行端到端的训练，epoch设置为10，学习率为0.00001,batch size为16，使用Adam优化器渐进式的调整学习率；在推理短语中，使用波束搜索，波束大小为3；利用标准的交叉熵损失来训练模型，公式(11)所示；

其中，y1:t为给定的真实描述,θ为模型参数；

5‑2将测试图像输入到CE‑UNILM模型中，获得图像标题。