使用属性引导变压器构建的 TransZero ++ 神经网络通过语义协作学习，从视觉特征中定位每个属性在所给图像中最相关的区域，并学习视觉属性特征，解决零样本学习中头现类别识别问题，取得了三项挑战性的零样本学习基准测试中的最新最好结果。

Dec, 2021

本文提出一种新的传输零样本学习方法，该方法使用生成对抗网络从未见过的特征提取出语义属性，并将其融合到产生模型中，从而捕获未见类别内的细微差异，合成更具辨别能力的特征。在五个标准基准测试中，本方法取得了零样本学习的最新成果。

Mar, 2023

本文提出了一种关注机制的模型以学习适用于未见过的类别识别的属性，在三个常用的零样本学习基准测试上达到了新的最先进效果。

Jul, 2021

本文提出一种利用语义 / 属性空间的区域表示来实现无监督学习的方法，其中区域表示的本地化是隐式的。本方法具有高度的可解释性，能够取得 CUB 和 SUN 数据集上的最新性能以及在 AWA2 数据集上优于一般性能更复杂的方法。

Jun, 2020

该研究提出了一种能够自动发现显著区域及在增强的空间中学习辨别性语义表征的端到端网络，用于零样本学习中。在两个具有挑战性的零样本学习数据集上测试，实验结果显示该方法明显优于现有最先进的方法。

Mar, 2018

我们提出了一种用于零样本学习的渐进式语义引导视觉 Transformer（ZSLViT），通过语义嵌入令牌学习改进视觉 - 语义对应关系，发现语义相关的视觉令牌，并且通过弱语义 - 视觉对应关系融合来舍弃与语义无关的视觉信息，从而在零样本学习中实现准确的视觉 - 语义交互作用，我们的 ZSLViT 在 CUB、SUN 和 AWA2 等三个常用基准数据集上取得了显著的性能提升。

Apr, 2024

零样本学习（ZSL）旨在根据观察到的类别的语义知识，识别未接触过的新类别，然而，当前基于注意力的模型对于学习图像区域特征时，可能忽视了视觉特征的可转移性和属性定位的独特性。为了解决这些问题，我们提出了一种名为高辨别属性特征学习的创新方法（HDAFL），通过学习属性特征来优化视觉特征以获取有辨识力的视觉嵌入。具体而言，HDAFL 利用多个卷积核自动学习与图像中属性高度相关的辨别性区域，消除图像特征中的不相关干扰。此外，我们引入了基于 Transformer 的属性判别编码器来增强属性之间的辨别能力。同时，该方法采用对比损失来减轻数据集偏差并增强视觉特征的可传递性，从而实现了观察类别和未观察类别之间更好的语义转移。实验结果在三个广泛使用的数据集上验证了 HDAFL 的有效性。

Apr, 2024

通过集成属性局部化能力的图像表示，建议使用只有类别级别的属性来更好地将基于属性的知识从已知类别转移到未知类别，为此，提出了一种新的零样本表示学习框架，使用属性原型网络共同学习具有区分性全局和局部特征。对于三个零样本学习基准测试，我们的局部增强图像表示方法实现了一个新的最先进水平。

Aug, 2020

本文提出了一种利用本地特征将未见类别映射到语义属性的区域语义对齐网络（RSAN）方法，使得将所学类别的知识成功地以区域方式传递给未见类别，并通过语义知识对图像编码器进行属性回归以提取稳健和属性相关的视觉特征，对多个标准 ZSL 数据集的实验验证了该方法的优点，超过了最先进的方法。

Oct, 2021

本文提出了一种使用生成模型合成多样性特征来增强零样本学习的新框架，以解决现有方法使用的单一属 性信息无法完全表达样本丰富特征的问题。在四个基准数据集上的实验证明，本方法在性能方面显着优于现有工作。

Dec, 2021