利用语义属性进行归纳零样本学习
提出一种大规模属性数据集(LAD)，并对该数据集进行了监督学习和零样本学习任务的实验，试图解决零样本学习领域中现有数据集的缺陷和问题，为零样本学习提供更好的语义表征。
Apr, 2018
使用生成对抗网络，提出了一种名为LisGAN的新方法，可以通过条件噪声直接生成未见过的特征。灵魂样本被引入生成式零样本学习中作为不变的一面，具有类别的元表示，并且通过联合部署两个分类器来实现粗分类和细分类，超过了现有方法的表现。
Apr, 2019
本文提出了多种不同的零样本学习的算法，包括基于语义属性生成可视特征分类器的深度神经网络，以及一种能够使用未标记数据进行自校准的学习方法，并在所有ZSL设置的基准数据集上显著优于现有算法的大量实验结果表明。
Sep, 2019
提出一种新型的生成模型LsrGAN，通过引入SR-Loss以显式地进行知识迁移，从而利用语义信息将从已知类中获取的知识迁移到未知类中，实现零样本学习和广义零样本学习。
Jul, 2020
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
本文针对广义零样本学习任务，提出了一种新颖的语义分离框架，使用条件VAE将未见过的类别的视觉特征分解为与语义一致、不相关的潜在向量，并且通过相关性惩罚和关系网络确保两个分解表示之间的独立性和语义一致性。在四个广义零样本学习基准数据集上的实验表明，由该框架分离出的语义一致特征在规范化和广义零样本学习任务中更具普适性。
Jan, 2021
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
零样本学习（ZSL）通过从已见类别中获取的知识（如视觉和语义关系）进行泛化，旨在识别未见类别，但常用的图像增强技术可能对ZSL产生负面影响，我们提出一种利用对抗样本的新型ZSL方法来解决语义扭曲问题，在三个著名的零样本基准数据集上进行了综合实验，证明了对抗样本方法在ZSL和广义零样本学习（GZSL）场景中的有效性。
Aug, 2023
我们提出了一种简单而有效的属性感知表征修正框架，用于广义零样本学习（GZSL），命名为（AR）^2，通过自适应地矫正特征提取器来学习新的特征并保留原有的有价值的特征。
Nov, 2023