本文提出了一种新的基于分割标签的应对零样本图像语义分割任务的方法 ——ZegFormer，采用无类别分组任务（class-agnostic grouping task）和基于分割标签的零样本分类任务（zero-shot classification task on segments）两个子任务，引入大规模视觉语言模型（如 CLIP），在 PASCAL VOC 和 COCO-Stuff 等数据集上取得了较大的性能提升。

Dec, 2021

通过引入视觉结构约束来提高零样本学习的泛化性能，从而减轻领域变化问题，实验证明这种新的方法可以带来显著的性能提升并实现最先进的结果。

Jan, 2019

本文提出了一种基于边界的 Out-of-Distribution 分类器来解决 Generalized Zero-Shot Learning 问题，其利用共享的潜在空间，在单位超球上对视觉特征和语义属性的潜在分布进行按类别对齐，并通过类中心和边界将未见过的样本与已见过的进行分离，经验证在常见的五个基准数据集上，该方法超越了现有方法的性能表现。

Aug, 2020

我们提出了一种名为 Meta Domain Alignment Semantic Refinement (MDASR) 的方法，通过两个部分 Inter-class Similarity Alignment (ISA) 和 Unseen-class Meta Generation (UMG)，在跨领域广义零样本学习中解决了信息不对称问题，有效地将冗余的语义空间与共同特征空间对齐。

Mar, 2024

本文提出了一种基于转移学习和关键语义一致性的模型，是一种无监督域自适应的方法来减少领域内、类别内的分布差异，在语义分割上具有优越性。

Aug, 2020

本研究旨在探讨类别不平衡问题对三维语义分割的影响及其对应的解决方案，包括数据增强方法的提出与实验、信任度评分算法的应用等，研究结果表明类别不平衡、类间歧义性和类内差异性是三维语义分割面临的主要挑战，相关算法的可靠性也需要进一步提高来满足实际应用需求。

Mar, 2022

提出一种 CA-SSL 框架，采用分离训练策略，包括热身训练阶段，在保留定位训练信号的同时忽略伪标签中的类信息，实现了从未标注的数据中提取训练信号的最优平衡；在 FCOS 目标检测等任务上，相比于 ImageNet 预训练基线模型，该模型在 3.6M 无标注数据集上实现了 4.7％ 的显著性能提升。

Dec, 2021

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

我们提出了 Self Structural Semantic Alignment (S^3A) 框架，该框架通过从无标签数据中提取结构语义信息并进行自学习，克服了传统的基于大规模预训练视觉语言模型方法所存在的假设有部分源监督或理想词汇表的限制，通过 Cluster-Vote-Prompt-Realign 算法实现迭代聚类，利用大语言模型生成辨别性提示来识别混淆的类别候选项，并通过师生学习策略进行自学习，实现了对现实中零样本分类的挑战，多个实验表明该方法明显优于现有的基于 VLMs 的方法，相对于 CLIP 平均提高了 15% 以上的准确性。

Aug, 2023

本研究提出了一种新的基于生成模型的零样本学习方法，能够处理包括分类和语义分割在内的三维数据，在 ModelNet40 数据集上表现良好，并在 S3DIS，ScanNet 和 SemanticKITTI 数据集上进行了验证。

Aug, 2021