徐 戈，肖永强，汪 涛，2，陈开志，廖祥文*，吴运兵

（1. 闽江学院计算机与控制工程学院，福州350108； 2. 福州大学数学与计算机科学学院，福州350116；3. 福建省网络计算与智能信息处理重点实验室（福州大学），福州350116；4. 数字福建金融大数据研究所，福州350116）

（∗通信作者电子邮箱liaoxw@fzu.edu.cn）

0 引言

在进行图像分类的过程中，图像类别数往往较多。如果每次都采用人工去标注每个类别标签，工作量会非常巨大。例如，在文字识别过程中，单字类别数量成千上万，对每一个单字类别都进行标注几乎是一件难以完成的工作。针对这样的情况，如何利用机器学习训练分类器，在不标注新类别的情况下仍然可以对其分类值得研究。显然传统的分类器并不能实现这样的目的，所以研究者提出零样本学习（Zero-Shot Learning，ZSL）概念［1］。

零样本图像分类思想属于迁移学习的范畴，通过训练已有的视觉类别信息然后迁移到新图像类别，并实现对其分类。人类能够通过学习将已见过的视觉信息与语义信息建立联系，并通过这样的联系去判别新图像类别，使得我们具备识别未见过的图像类别的能力。在零样本学习图像分类中，未知的图像类别并没有已知的源图像训练样本，但可以通过对已知图像类别相关知识的学习，然后迁移到未知的图像类别当中，从而对未知的图像类别样本进行结果预测。属性作为中层语义特征，可以建立跨类别、多层级关联。属性语义描述通常由人工标注得到，因而能够有效反映出类别之间的关系以及表示每一个类别。……