许世斌 高子淑

1(西安电子科技大学计算机科学与技术学院 陕西 西安 710071)2(北京化工大学信息科学与技术学院 北京 100029)

0 引 言

传统的分类模型只能识别与训练样本相同类别的数据，而无法识别无训练样本的数据。在分类任务的实际应用场景中，往往会遇到缺乏训练样本以及样本标签丢失等传统分类模型无法处理的问题。人类能够将经验与事物的形状、色彩的语言描述相结合，轻易地识别出从未见过的事物，受此启发，零样本学习(Zero Shot Learning,ZSL)通过学习数据在可见类别上的分布，结合未见类别的辅助语义信息以识别未见类别数据，为部分类别缺乏图像数据的分类问题提供了解决方案。

零样本学习在训练阶段仅使用可见类别样本与未见类别的文本描述进行训练，而测试阶段则仅对未见类别的测试数据进行分类。在实际应用中，未见类的数据通常需要与可见类的数据共同进行分类，即在零样本学习的训练阶段对可见类别与未见类别测试数据的并集进行分类，这样的分类任务被称为泛零样本学习(Generalized Zero Shot Learning,GZSL)任务。

目前主流零样本学习方法通常将从可见类样本中学习到的视觉语义映射关系迁移到未见类上，将分类数据的语义特征与视觉特征投影到一个公共空间上进行处理。Lampert等[1]提出了以属性向量作为零样本学习的辅助语义信息，通过最大后验概率法，基于图像视觉特征数据对未见类的形状、颜色等各项属性进行预测，将视觉特征转义为语义特征，使用支持向量机对所预测的属性特征进行分类。……