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

本文介绍了 Attribute Localization and Revision Network（属性定位和修正网络），通过属性定位模块（ALM）和属性修正模块（ARM）实现了零样例学习任务，并且通过综合实验结果验证了该模型的有效性。

Oct, 2023

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

当前的广义零样本学习方法基于单一类别属性向量表示整个图像，这是对新颖类别识别过程的过度简化，因此图像的不同区域可能具有来自不同已见类别的属性并具有不同的主导属性。在此基础上，我们采用一种根本不同的方法：使用对属性信息敏感的预训练视觉语言检测器（VINVL）有效获取区域特征，然后使用学习到的函数将区域特征映射到区域特定属性注意力，并构建类别部件原型。我们在包含 CUB、SUN 和 AWA2 数据集的流行广义零样本学习基准测试中进行实验证明，我们提出的部件原型网络（PPN）与其他流行的基础模型相比取得了有希望的结果。相应的消融研究和分析表明，我们的方法在局部提案可用时具有明显的优势，且非常实用。

Apr, 2024

本研究提出一种新颖的随机森林方法用于零样本学习，能更好地应对属性预测不可靠的问题，对于少样本和无训练样本学习在视觉分类学习中得到广泛应用。

Sep, 2014

通过使用人工定义和自动发现到的残差属性，提出了一种基于选择性零样本分类器，通过在人工定义属性的子空间中进行预测并使用定义和残差属性来度量预测置信度，以解决分类器在选择分类场景中做出可疑预测的问题，并在多个基准测试中证明了其优异的表现。

Jul, 2018

本研究提出了一种名为 TransZero 的基于属性引导的 Transformer 网络，用于零样本学习中的视觉语义交互，以提高视觉特征的可转移性和判别属性定位，并在三个 ZSL 基准测试中取得了最新的最佳结果。

Dec, 2021

本文提出了一种基于属性的无监督学习方法，通过学习将类别嵌入与属性耦合的关系模型，来自动预测未见过的类别与属性之间的关联，并支持跨数据集的属性传递。实验证明，该方法在 Animals with Attributes 和 aPascal/aYahoo 数据集上的性能优于现有方法。

Oct, 2016

本文介绍了一种使用属性传播网络（APNet）进行零样本学习的方法，其优化了用于零样本分类的属性空间，并使用图传播模型和最近邻分类器来实现更好的分类准确性。

Sep, 2020

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