零次學(xué)習(xí)（zero-shot learning）基本概念

假設(shè)小暗（純粹因?yàn)椴幌胗眯∶?#xff09;和爸爸，到了動(dòng)物園，看到了馬，然后爸爸告訴他，這就是馬；之后，又看到了老虎，告訴他：“看，這種身上有條紋的動(dòng)物就是老虎。”；最后，又帶他去看了熊貓，對(duì)他說(shuō)：“你看這熊貓是黑白色的。”然后，爸爸給小暗安排了一個(gè)任務(wù)，讓他在動(dòng)物園里找一種他從沒(méi)見(jiàn)過(guò)的動(dòng)物，叫斑馬，并告訴了小暗有關(guān)于斑馬的信息：“斑馬有著馬的輪廓，身上有像老虎一樣的條紋，而且它像熊貓一樣是黑白色的。”最后，小暗根據(jù)爸爸的提示，在動(dòng)物園里找到了斑馬（意料之中的結(jié)局。。。）。

上述例子中包含了一個(gè)人類(lèi)的推理過(guò)程，就是利用過(guò)去的知識(shí)（馬，老虎，熊貓和斑馬的描述），在腦海中推理出新對(duì)象的具體形態(tài)，從而能對(duì)新對(duì)象進(jìn)行辨認(rèn)。（如圖1所示）ZSL就是希望能夠模仿人類(lèi)的這個(gè)推理過(guò)程，使得計(jì)算機(jī)具有識(shí)別新事物的能力。

圖1 ZSL概念圖[17]

如今深度學(xué)習(xí)非常火熱，使得純監(jiān)督學(xué)習(xí)在很多任務(wù)上都達(dá)到了讓人驚嘆的結(jié)果，但其限制是：往往需要足夠多的樣本才能訓(xùn)練出足夠好的模型，并且利用貓狗訓(xùn)練出來(lái)的分類(lèi)器，就只能對(duì)貓狗進(jìn)行分類(lèi)，其他的物種它都無(wú)法識(shí)別。這樣的模型顯然并不符合我們對(duì)人工智能的終極想象，我們希望機(jī)器能夠像上文中的小暗一樣，具有通過(guò)推理，識(shí)別新類(lèi)別的能力。

ZSL就是希望我們的模型能夠?qū)ζ鋸臎](méi)見(jiàn)過(guò)的類(lèi)別進(jìn)行分類(lèi)，讓機(jī)器具有推理能力，實(shí)現(xiàn)真正的智能。其中零次（Zero-shot）是指對(duì)于要分類(lèi)的類(lèi)別對(duì)象，一次也不學(xué)習(xí)。這樣的能力聽(tīng)上去很具有吸引力，那么到底是怎么實(shí)現(xiàn)的呢？

假設(shè)我們的模型已經(jīng)能夠識(shí)別馬，老虎和熊貓了，現(xiàn)在需要該模型也識(shí)別斑馬，那么我們需要像爸爸一樣告訴模型，怎樣的對(duì)象才是斑馬，但是并不能直接讓模型看見(jiàn)斑馬。所以模型需要知道的信息是馬的樣本、老虎的樣本、熊貓的樣本和樣本的標(biāo)簽，以及關(guān)于前三種動(dòng)物和斑馬的描述。將其轉(zhuǎn)換為常規(guī)的機(jī)器學(xué)習(xí)，這里我們只討論一般的圖片分類(lèi)問(wèn)題：

（1）訓(xùn)練集數(shù)據(jù)?及其標(biāo)簽??，包含了模型需要學(xué)習(xí)的類(lèi)別（馬、老虎和熊貓），這里和傳統(tǒng)的監(jiān)督學(xué)習(xí)中的定義一致；

（2）測(cè)試集數(shù)據(jù)??及其標(biāo)簽??，包含了模型需要辨識(shí)的類(lèi)別（斑馬），這里和傳統(tǒng)的監(jiān)督學(xué)習(xí)中也定義一直；

（3）訓(xùn)練集類(lèi)別的描述??，以及測(cè)試集類(lèi)別的描述??；我們將每一個(gè)類(lèi)別??，都表示成一個(gè)語(yǔ)義向量??的形式，而這個(gè)語(yǔ)義向量的每一個(gè)維度都表示一種高級(jí)的屬性，比如“黑白色”、“有尾巴”、“有羽毛”等等，當(dāng)這個(gè)類(lèi)別包含這種屬性時(shí)，那在其維度上被設(shè)置為非零值。對(duì)于一個(gè)數(shù)據(jù)集來(lái)說(shuō)，語(yǔ)義向量的維度是固定的，它包含了能夠較充分描述數(shù)據(jù)集中類(lèi)別的屬性。

在ZSL中，我們希望利用??和??來(lái)訓(xùn)練模型，而模型能夠具有識(shí)別??的能力，因此模型需要知道所有類(lèi)別的描述??和??。ZSL這樣的設(shè)置其實(shí)就是上文中小暗識(shí)別斑馬的過(guò)程中，爸爸為他提供的條件。

圖2 ZSL設(shè)置圖[16]

如圖2，可以較為直觀(guān)地了解ZSL的設(shè)置。

講到這，很多同學(xué)可能會(huì)問(wèn)：

（1）類(lèi)別的描述??到底是怎么獲取的？

答：有人工專(zhuān)家定義的，也有通過(guò)海量的附加數(shù)據(jù)集自動(dòng)學(xué)習(xí)出來(lái)的，但前者的效果目前要好很多。

（2）這樣做讓人覺(jué)得有點(diǎn)失望呀！我希望模型能夠在沒(méi)有斑馬樣本的情況下，識(shí)別斑馬，而現(xiàn)在，雖然我不需要為模型提供斑馬的樣本，但是卻要為每一個(gè)類(lèi)別添加一種描述，更離譜的是我還需要斑馬（測(cè)試集）的描述，這個(gè)過(guò)程并沒(méi)有想象中智能誒！

答：的確，在我們的想象中，我們期待的智能是：只給機(jī)器馬、老虎和熊貓，然后它就可以識(shí)別斑馬了，這樣多爽，多神奇。但我們回過(guò)頭去，再想想小暗的思考過(guò)程，如果爸爸不告訴小暗關(guān)于斑馬的任何信息，那么當(dāng)小暗看見(jiàn)斑馬的時(shí)候，并不會(huì)知道它是什么，只是小暗能夠描述它：“這是一匹有著黑白顏色條紋的馬。”這里，有同學(xué)可能又會(huì)說(shuō)：至少我們可以不用告訴小暗類(lèi)別的描述呀，但是ZSL就不行。其實(shí)，我們是需要告訴小暗類(lèi)別描述的，或者說(shuō)小暗在之前就學(xué)習(xí)到了類(lèi)別描述，比如怎樣的圖案是“條紋”，怎樣的顏色稱(chēng)為“黑白色”，這樣的屬性定義。對(duì)于一個(gè)模型來(lái)說(shuō)，它就像剛出生的嬰兒，我們需要教會(huì)它這些屬性的定義。

（3）就算是這樣，需要實(shí)現(xiàn)定義這個(gè)描述??還是很蛋疼的一件事情。

答：（1）中就有提到，描述??可以自動(dòng)學(xué)習(xí)，我們將小暗已經(jīng)掌握的知識(shí)描述為一個(gè)知識(shí)庫(kù)，這個(gè)知識(shí)庫(kù)里就有對(duì)各種屬性的定義；而能夠模仿人類(lèi)知識(shí)庫(kù)的最好東西就是“百度百科”，“維基百科”等等各種百科，我們可以利用百科中的各種定義，生成類(lèi)別的定義，這方面?zhèn)戎赜贜LP，因此不進(jìn)一步討論。

在此，我們小小總結(jié)一下ZSL問(wèn)題的定義。利用訓(xùn)練集數(shù)據(jù)訓(xùn)練模型，使得模型能夠?qū)y(cè)試集的對(duì)象進(jìn)行分類(lèi)，但是訓(xùn)練集類(lèi)別和測(cè)試集類(lèi)別之間沒(méi)有交集；期間需要借助類(lèi)別的描述，來(lái)建立訓(xùn)練集和測(cè)試集之間的聯(lián)系，從而使得模型有效。

目前的研究方式

在上文中提到，要實(shí)現(xiàn)ZSL功能似乎需要解決兩個(gè)部分的問(wèn)題：第一個(gè)問(wèn)題是獲取合適的類(lèi)別描述??；第二個(gè)問(wèn)題是建立一個(gè)合適的分類(lèi)模型。

目前大部分工作都集中在第二個(gè)問(wèn)題上，而第一個(gè)問(wèn)題的研究進(jìn)展比較緩慢。個(gè)人認(rèn)為的原因是， 目前?的獲取主要集中于一些NLP的方法，而且難度較大；而第二個(gè)問(wèn)題能夠用的方法較多，比較容易出成果。

因此，接下來(lái)的算法部分，也只介紹研究分類(lèi)模型的方法。

數(shù)據(jù)集介紹

先介紹數(shù)據(jù)集，是因?yàn)橄Ｍ谒惴ń榻B部分，直接給出實(shí)例，讓大家能夠直接上手。

雖然在我認(rèn)識(shí)的人里，好些人能夠讀一篇論文或者聽(tīng)一個(gè)報(bào)告后就能問(wèn)出很好的問(wèn)題，然后就基本弄懂了。但我在這個(gè)上笨很多。讀過(guò)的論文就像喝過(guò)的水，第二天就不記得了。一定是需要靜下心來(lái)，從頭到尾實(shí)現(xiàn)一篇，跑上幾個(gè)數(shù)據(jù)，調(diào)些參數(shù)，才能心安地覺(jué)得懂了。例如在港科大的兩年讀了很多論文，但現(xiàn)在反過(guò)來(lái)看，仍然記得可能就是那兩個(gè)老老實(shí)實(shí)動(dòng)手實(shí)現(xiàn)過(guò)寫(xiě)過(guò)論文的模型了。即使后來(lái)在機(jī)器學(xué)習(xí)這個(gè)方向又走了五年，學(xué)習(xí)任何新東西仍然是要靠動(dòng)手。——李沐（MXNet開(kāi)發(fā)者）

（1）Animal with Attributes（AwA）官網(wǎng)：Animals with Attributes

提出ZSL定義的作者，給出的數(shù)據(jù)集，都是動(dòng)物的圖片，包括50個(gè)類(lèi)別的圖片，其中40個(gè)類(lèi)別作為訓(xùn)練集，10個(gè)類(lèi)別作為測(cè)試集，每個(gè)類(lèi)別的語(yǔ)義為85維，總共有30475張圖片。但是目前由于版權(quán)問(wèn)題，已經(jīng)無(wú)法獲取這個(gè)數(shù)據(jù)集的圖片了，作者便提出了AwA2，與前者類(lèi)似，總共37322張圖片。

（2）Caltech-UCSD-Birds-200-2011（CUB）官網(wǎng)：Caltech-UCSD Birds-200-2011

全部都是鳥(niǎo)類(lèi)的圖片，總共200類(lèi)，150類(lèi)為訓(xùn)練集，50類(lèi)為測(cè)試集，類(lèi)別的語(yǔ)義為312維，有11788張圖片。

（3）Sun database（SUN）官網(wǎng)：SUN Database

總共有717個(gè)類(lèi)別，每個(gè)類(lèi)別20張圖片，類(lèi)別語(yǔ)義為102維。傳統(tǒng)的分法是訓(xùn)練集707類(lèi)，測(cè)試集10類(lèi)。

（4）Attribute Pascal and Yahoo dataset（aPY）官網(wǎng)：Describing Objects by their Attributes

共有32個(gè)類(lèi)，其中20個(gè)類(lèi)作為訓(xùn)練集，12個(gè)類(lèi)作為測(cè)試集，類(lèi)別語(yǔ)義為64維，共有15339張圖片。

（5）ILSVRC2012/ILSVRC2010（ImNet-2）

利用ImageNet做成的數(shù)據(jù)集，由ILSVRC2012的1000個(gè)類(lèi)作為訓(xùn)練集，ILSVRC2010的360個(gè)類(lèi)作為測(cè)試集，有254000張圖片。它由 4.6M 的Wikipedia數(shù)據(jù)集訓(xùn)練而得到，共1000維。

上述數(shù)據(jù)集中（1）-（4）都是較小型（small-scale）的數(shù)據(jù)集，（5）是大型（large-scale）數(shù)據(jù)集。雖然（1）-（4）已經(jīng)提供了人工定義的類(lèi)別語(yǔ)義，但是有些作者也會(huì)從維基語(yǔ)料庫(kù)中自動(dòng)提取出類(lèi)別的語(yǔ)義表示，來(lái)檢測(cè)自己的模型。

這里給大家提供一些已經(jīng)用GoogleNet提取好的數(shù)據(jù)集圖片特征，大家可以比較方便地使用。Zero-Shot Learing問(wèn)題數(shù)據(jù)集分享（GoogleNet 提取）

基礎(chǔ)算法介紹

在此，只具體介紹最簡(jiǎn)單的方法，讓大家可以快速上手。我們面對(duì)的是一個(gè)圖片分類(lèi)問(wèn)題，即對(duì)測(cè)試集的樣本??進(jìn)行分類(lèi)，而我們分類(lèi)時(shí)需要借助類(lèi)別的描述??，由于每一個(gè)類(lèi)別??，都對(duì)應(yīng)一個(gè)語(yǔ)義向量??，因此我們現(xiàn)在可以忘掉??，直接使用??。我們把??（利用深度網(wǎng)絡(luò)提取的圖片特征，比如GoogleNet提取為1024維）稱(chēng)為特征空間（visual feature space），把類(lèi)別的語(yǔ)義表示??，稱(chēng)為語(yǔ)義空間。我們要做的，其實(shí)就是建立特征空間與語(yǔ)義空間之間的映射。

對(duì)于分類(lèi)，我們能想到的最簡(jiǎn)單的形式就是嶺回歸（ridge regression），俗稱(chēng)均方誤差加范數(shù)約束，具體形式為：

?(1)

其中，??通常為2范數(shù)約束，??為超參，對(duì)??求導(dǎo)，并讓導(dǎo)為0，即可求出??的值。測(cè)試時(shí)，利用??將??投影到語(yǔ)義空間中，并在該空間中尋找到離它最近的??，則樣本的類(lèi)別為??所對(duì)應(yīng)的標(biāo)簽??。

簡(jiǎn)單寫(xiě)一個(gè)matlab實(shí)現(xiàn)。

regression_lambda = 1.0; W = ridge_regression(param.train_set, param.train_class_attributes, regression_lambda , 1024); S_test = param.test_set * W; [zsl_accuracy]= zsl_el(S_test, param.S_te, param); fprintf('AwA ZSL accuracy on test set: %.1f%%\n', zsl_accuracy*100);

我們使用AwA數(shù)據(jù)集，圖片事先利用GoogleNet提取了特征（1024維），在測(cè)試集上可以得到59.1%的準(zhǔn)確率。

這樣一個(gè)嶺回歸之所以有效，是因?yàn)橛?xùn)練集類(lèi)別語(yǔ)義??與測(cè)試集類(lèi)別語(yǔ)義??之間存在的密切聯(lián)系。其實(shí)任何ZSL方法有效的基礎(chǔ)，都是因?yàn)檫@兩者之間具體的聯(lián)系。

僅僅利用如此naive的方式，得到的結(jié)果顯然不能滿(mǎn)足我們的要求，那么建立更好的模型，則需要進(jìn)一步了解ZSL問(wèn)題中，存在著哪些和傳統(tǒng)監(jiān)督分類(lèi)的差異。

ZSL中存在的問(wèn)題

在此，介紹一些目前ZSL中主要存在的問(wèn)題，以便讓大家了解目前ZS領(lǐng)域有哪些研究點(diǎn)。

領(lǐng)域漂移問(wèn)題（domain shift problem）

該問(wèn)題的正式定義首先由[2]提出。簡(jiǎn)單來(lái)說(shuō)，就是同一種屬性，在不同的類(lèi)別中，視覺(jué)特征的表現(xiàn)可能很大。如圖3所示，斑馬和豬都有尾巴，因此在它的類(lèi)別語(yǔ)義表示中，“有尾巴”這一項(xiàng)都是非0值，但是兩者尾巴的視覺(jué)特征卻相差很遠(yuǎn)。如果斑馬是訓(xùn)練集，而豬是測(cè)試集，那么利用斑馬訓(xùn)練出來(lái)的模型，則很難正確地對(duì)豬進(jìn)行分類(lèi)。

圖3 domain shift示意圖，圖中的prototype表示類(lèi)別在語(yǔ)義空間中的位置[2]

樞紐點(diǎn)問(wèn)題（Hubness problem）

這其實(shí)是高維空間中固有的問(wèn)題：在高維空間中，某些點(diǎn)會(huì)成為大多數(shù)點(diǎn)的最近鄰點(diǎn)。這聽(tīng)上去有些反直觀(guān)，細(xì)節(jié)方面可以參考[3]。由于ZSL在計(jì)算最終的正確率時(shí)，使用的是K-NN，所以會(huì)受到hubness problem的影響，并且[4]中，證明了基于嶺回歸的方法會(huì)加重hubness problem問(wèn)題。

語(yǔ)義間隔（semantic gap）

樣本的特征往往是視覺(jué)特征，比如用深度網(wǎng)絡(luò)提取到的特征，而語(yǔ)義表示卻是非視覺(jué)的，這直接反應(yīng)到數(shù)據(jù)上其實(shí)就是：樣本在特征空間中所構(gòu)成的流型與語(yǔ)義空間中類(lèi)別構(gòu)成的流型是不一致的。（如圖4所示）

圖4 流型不一致示意圖[8]

這使得直接學(xué)習(xí)兩者之間的映射變得困難。

還有其他的，比如semantic loss[5]問(wèn)題，樣本通過(guò)映射坍塌到一點(diǎn)[6]等，由于還不常研究，在此就不再討論。

在此，我們給出解決上述三個(gè)問(wèn)題的基本方法，從而更加深度地了解這三個(gè)問(wèn)題。

（1）領(lǐng)域漂移

由于樣本的特征維度往往比語(yǔ)義的維度大，所以建立從??到??的映射往往會(huì)丟失信息，為了保留更多的信息，保持更多的豐富性，最流行的做法是將映射到語(yǔ)義空間中的樣本，再重建回去，這樣學(xué)習(xí)到的映射就能夠得到保留更多的信息。因此，在原來(lái)簡(jiǎn)單嶺回歸[1]的基礎(chǔ)上，可以將目標(biāo)函數(shù)改為：[7]

?(2)

從目標(biāo)函數(shù)可以看出，這其實(shí)完成的是一個(gè)簡(jiǎn)易的自編碼器過(guò)程，我們簡(jiǎn)稱(chēng)這個(gè)算法為SAE，利用matlab可以輕松對(duì)其實(shí)現(xiàn)。

lambda1 = 800000; W = SAE(param.train_set', param.train_class_attributes', lambda1); S_test = param.test_set * NormalizeFea(W'); [zsl_accuracy]= zsl_el(S_test, param.S_te, param); fprintf('AwA ZSL accuracy on test set: %.1f%%\n', zsl_accuracy*100);

依然是在A(yíng)wA上進(jìn)行測(cè)試，可以得到83.2%的準(zhǔn)確率，比簡(jiǎn)單的嶺回歸(1)提高了24.1%。自編碼器的這個(gè)結(jié)構(gòu)目前在ZSL方法中非常流行，稍后我們還會(huì)提到。

（2）樞紐點(diǎn)問(wèn)題

目前對(duì)于樞紐點(diǎn)問(wèn)題的解決主要有兩種方法：

a. 如果模型建立的方式為嶺回歸，那么可以建立從語(yǔ)義空間到特征空間的映射，從而不加深hubness problem對(duì)結(jié)果的影響[4]，也就是說(shuō)將目標(biāo)函數(shù)（1）改為：

?(3)

在A(yíng)wA數(shù)據(jù)集上，這種簡(jiǎn)單的改變能夠得到76.5%的正確率，比原本提高了17.4%。

b.可以使用生成模型，比如自編碼器、GAN等，生成測(cè)試集的樣本，這樣就變成了一個(gè)傳統(tǒng)的監(jiān)督分類(lèi)問(wèn)題，不存在K-NN的操作，所以不存在hubness problem的影響。

（3）語(yǔ)義間隔問(wèn)題

語(yǔ)義間隔問(wèn)題的本質(zhì)是二者的流形結(jié)構(gòu)不一致，因此，解決此問(wèn)題的著手點(diǎn)就在于將兩者的流形調(diào)整到一致，再學(xué)習(xí)兩者之間的映射[8]。最簡(jiǎn)單的方法自然是將類(lèi)別的語(yǔ)義表示調(diào)整到樣本的流型上，即用類(lèi)別語(yǔ)義表示的K近鄰樣本點(diǎn)，重新表示類(lèi)別語(yǔ)義即可。

有關(guān)ZSL的一些其他的概念

這里將提到一些ZSL涉及到的其他概念。

（1）直推式學(xué)習(xí)（Transductive setting）

這里的直推式學(xué)習(xí)其實(shí)是指在訓(xùn)練模型的時(shí)候，我們可以拿到測(cè)試集的數(shù)據(jù)，只是不能拿到測(cè)試集的樣本的標(biāo)簽，因此我們可以利用測(cè)試集數(shù)據(jù)，得到一些測(cè)試集類(lèi)別的先驗(yàn)知識(shí)。這種設(shè)置在遷移學(xué)習(xí)中很常見(jiàn)。

圖5 非直推式（inductive）和直推式學(xué)習(xí)的區(qū)別[16]

（2）泛化的ZSL（generalized ZSL）

上文中提到的ZSL，在測(cè)試時(shí)使用K-NN進(jìn)行正確率的評(píng)估時(shí)，只在測(cè)試類(lèi)別中找最近鄰的類(lèi)別，但是在現(xiàn)實(shí)的問(wèn)題中，拿到的樣本也可能屬于訓(xùn)練集類(lèi)別，因此在測(cè)試時(shí)，同時(shí)加入訓(xùn)練集類(lèi)別。[9]現(xiàn)在的很多方法都開(kāi)始測(cè)試模型在這種設(shè)置下的能力。

推薦閱讀的論文

我一直不想寫(xiě)ZSL的發(fā)展史，因?yàn)閾?jù)我的經(jīng)驗(yàn)，寫(xiě)了一大段發(fā)展史之后，往往大家的興致不高，而且看完之后一般都不會(huì)有什么特別的感覺(jué)，基本也記不得什么東西。所以倒不如給大家推薦一些論文，從最早的到目前最新的，使得大家在短時(shí)間內(nèi)能對(duì)ZSL的發(fā)展有一個(gè)大概的概念。

（1）Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer[1]

ZSL問(wèn)題的開(kāi)創(chuàng)性文章，當(dāng)然是必讀的嘍，而且可以順便看看別人是如何闡述一個(gè)新問(wèn)題（挖坑）的。

（2）An embarrassingly simple approach to zero-shot learning[10]

有著很強(qiáng)的理論基礎(chǔ)，算法簡(jiǎn)單、有效，雖然已經(jīng)過(guò)去很多年了，但還是目前新工作需要進(jìn)行對(duì)比的方法之一。

（3）Transductive Multi-View Zero-Shot Learning[2]

第一次定義了domain shift問(wèn)題。

（4）Zero-shot recognition using dual visualsemantic mapping paths[11]

解決semantic gap問(wèn)題的簡(jiǎn)單做法。

（5）Predicting visual exemplars of unseen classes for zero-shot learning[12]

從本質(zhì)的角度出發(fā)，將ZSL問(wèn)題，看作聚類(lèi)問(wèn)題，用最簡(jiǎn)單的方法直接建立映射。

（6）Semantic Autoencoder for Zero-Shot Learning[7]

引入自編碼器結(jié)構(gòu)的第一篇文章，直接導(dǎo)致現(xiàn)在出現(xiàn)的新方法大都具有這種結(jié)構(gòu)。

（7）Zero-Shot Learning - A Comprehensive Evaluation of the Good, the Bad and the Ugly[14]

綜述性的文章，總結(jié)了17年底以前的方法，提出了新的評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)當(dāng)時(shí)領(lǐng)域發(fā)展比較混亂的地方做出了一些更標(biāo)準(zhǔn)的評(píng)估。

（8）Zero-Shot Learning via Class-Conditioned Deep Generative Models[6]

將[7]改造為深度模型，并加上一些其他的約束。

（9）Preserving Semantic Relations for Zero-Shot Learning[13]

在自編碼器結(jié)構(gòu)的基礎(chǔ)上，顯示地加入語(yǔ)義類(lèi)別之間的關(guān)系約束。

（10）Recent Advances in Zero-shot Recognition[15]

綜述性的文章，讀起來(lái)很順暢，可以看看別人是怎么寫(xiě)綜述，中頂刊的。

以上幾篇文章，較有代表性，比較值得讀的工作。

參考文獻(xiàn)

[1]Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer

[2]Transductive Multi-View Zero-Shot Learning.

[3]Hubness and Pollution: Delving into Class-Space Mapping for Zero-Shot Learning.

[4]Ridge Regression, Hubness, and Zero-Shot Learning.

[5]Zero-Shot Visual Recognition using Semantics-Preserving Adversarial Embedding Network.

[6]Zero-Shot Learning via Class-Conditioned Deep Generative Models.

[7]Semantic Autoencoder for Zero-Shot Learning.

[8]Zero-Shot Recognition using Dual Visual-Semantic Mapping Paths.

[9]An Empirical Study and Analysis of Generalized Zero-Shot Learning for Object Recognition in the Wild.

[10]An embarrassingly simple approach to zero-shot learning

[11]Zero-shot recognition using dual visualsemantic mapping paths

[12]Predicting visual exemplars of unseen classes for zero-shot learning

[13]Preserving Semantic Relations for Zero-Shot Learning

[14]Zero-Shot Learning - A Comprehensive Evaluation of the Good, the Bad and the Ugly

[15]Recent Advances in Zero-shot Recognition

[16]http://people.duke.edu/~ww107/material/ZSL.pdf

[17]Attribute-Based Synthetic Network (ABS-Net): Learning More From Pseudo Feature Representation

總結(jié)

以上是生活随笔為你收集整理的零次学习（zero-shot learning)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。