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

本篇教程以 Wi-Fi 感知技术为例，介绍了数据采集、信号处理、特征提取和模型设计的理论原则和代码实现，强调了深度学习模型（如 CNN、RNN 和对抗性学习模型）在无线感知系统中的应用。

Jun, 2022

本文提出了一种新颖的广义零样本学习（GZSL）方法，它对训练期间的未见图像和未见语义向量具有不可知性。通过提出一种视觉实例的低维嵌入来打破视觉 - 语义间隙，并借助一个新的视觉神谕来量化噪声语义数据的影响，以提高准确性。在一系列数据集上用图模型进行推理的实验结果显示，该方法在语义和视觉监督下均明显优于现有技术。

Nov, 2018

ContrastZSD 是一种用于零样本目标检测的基于语义指导对比学习的检测框架，它通过引入显式的语义指导和对比学习机制，来优化模型对未见过类别的认知，同时改善视觉特征结构以实现更好的视觉 - 语义对齐。

Sep, 2021

本文提出了用于同时识别和定位未见过类别的物体实例的 Zero-Shot Detection 问题，并引入基于 ILSVRC 数据集的新实验协议和元类概念来改善自动推导的语义描述的噪音，旨在在视觉和语义领域信息之间建立协同作用的新型 'Zero-Shot Detection' 深度神经网络。

Mar, 2018

本文提出了一种基于深度可视特征嵌入空间的半监督零样本学习方法，通过在签名上进行线性变换以将它们映射到视觉特征上，使得已知类别的签名映射结果靠近相应类别的已标记样本，同时未标记的数据与其中一个未知类别的映射签名也很接近，该方法在四个公共基准测试中的表现证明了其有效性，其中三个的预测准确度均优于最先进方法。

May, 2016

通过在语义空间和模型空间中相互协作的 “幻影” 对象类的优化，实现了零样本学习的最优判别性能，克服了训练阶段没有示例的难题。

Mar, 2016

本研究通过推广 Basu 等人的方法，将语义建模扩展至完整的通信马尔科夫链，提出了一种 ML-based 的语义通信系统 SINFONY，通过传输信息的同时进行压缩，有效提高了信息传输质量，尤其在多分发情况下，SNR 比传统通信系统提高了 20dB。

Apr, 2022

本文提出了一个新的任务：零样本语义分割，要求学习像素级分类器从未见过的物体类别中进行分类。ZS3Net 是本文提出的一种新架构，它将深度视觉分割模型与从语义词嵌入生成视觉表示的方法相结合，以实现在测试时间处理已见和未见类别的像素分类任务。本文还通过自我训练进一步提高了性能，并在 Pascal-VOC 和 Pascal-Context 两个标准分割数据集上提出了零样本基准并设立竞争基线。此外，对于像 Pascal-Context 数据集中的复杂场景，我们通过使用图形上下文编码来完全利用来自类别分割地图的空间上下文先验知识。

Jun, 2019

本文提出了一种上下文感知特征生成方法，命名为 CaGNet，通过引入上下文模块来捕获像素级别的上下文信息，并从语义词嵌入中生成更丰富和上下文感知的特征，从而实现了零样本语义分割任务中的最先进结果。

Aug, 2020