零样本学习的合成分类器
本文介绍了一种基于最大边距框架的语义流形识别方法，并提出了半监督词汇知识学习的概念，从而实现监督学习、零样本学习和开放式识别的统一框架。该方法在 AwA 和 ImageNet 数据集上的结果显示出了改进。
Apr, 2016
本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法，探讨了零样本学习的generalized zero-shot learning的问题，并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异，强调改进类别语义嵌入对于GZSL的重要性。
May, 2016
本文提出了一种新的零样本学习模型，利用语义嵌入空间中的聚类结构来对已知对象的类别语义描述和示例进行建模，并通过训练多个基于核的回归器来实现语义表示-范例对的结构约束，从而在包括ImageNet数据集在内的标准基准数据集上显着优于现有的零样本学习方法。
May, 2016
本研究旨在通过利用语义空间流形与视觉-语义映射之间的内在关系来解决零样本识别问题，并提出了一个包含两条双重视觉-语义映射路径的框架，可以提高视觉-语义映射的迁移能力，并在四个基准数据集上取得了优异的结果。
Mar, 2017
本文提出了一种解决零样本目标检测问题的方法，并通过使用视觉-语义嵌入，背景感知方法，以及使用大量类别语义标签的辅助数据来解决仅有少数训练类别的问题。在MSCOCO和VisualGenome两个标准检测数据集上进行实验，验证了该方法的有效性。
Apr, 2018
本文提出了一种基于耦合字典学习的零样本学习方法，该方法通过利用种类原型中的区分性信息来对齐视觉-语义结构，进而提高不太具有区分性的语义空间的表现，并通过简单的最近邻方法在不同空间上执行零样本识别。在四个基准数据集上的实验证明了该方法的有效性。
Jul, 2018
本文提出一种新的零样本学习模型（DIPL），其中引入一种域不变特征自重建任务并通过语义空间中超类的形成进一步对齐两个域，以解决转移学习中看不见的物体分类问题。我们的模型在大量试验中表现出优异的性能，优于现有技术方案。
Oct, 2018
本文提出了两个使用零样本学习（ZSL）系统，该系统使用流形嵌入和自动生成视觉分类器来解决具有未知类的任务，并且在五个类视觉识别基准数据集上表现出卓越的性能。
Dec, 2018
提出了一种用于物体检测的零样本学习方法，通过合成视觉特征实现模型同时学习已知和未知的物体，并采用一种新颖的生成模型，使用类语义不仅生成特征，而且还对它们进行鉴别分离。在三个物体检测基准测试中表现优秀，超过现有技术方法。
Oct, 2020
该研究提出了一种基于语义流形的加权最大间隔框架解决零样本学习中面临的挑战，包括有限标记数据、大量标签分类和开放集分类。在Animal with Attributes和ImageNet数据集上，模型表现得到了显著提高，类词汇量最高可达310K。
Jan, 2023