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

本文提出了两个使用零样本学习（ZSL）系统，该系统使用流形嵌入和自动生成视觉分类器来解决具有未知类的任务，并且在五个类视觉识别基准数据集上表现出卓越的性能。

Dec, 2018

本研究提出了一种基于数据合成和竞争双向投影学习的零样本和少样本学习模型，在语义空间和特征空间之间学习了一个鲁棒的投影函数，并将它应用于语义数据的合成和模糊的非监督训练中，取得了最先进的结果。

Oct, 2018

本研究提出了一种新型的渐进式集成网络模型，采用多个投影标签嵌入来解决零样本图像识别问题，在有标记和无标记的数据上进行训练，为未标记的类提供知识转移，通过渐进式训练框架和预测伪标签来逐步标注最自信的图像，并更新集成网络以扩展到广义零样本学习情境，实验证明提出的模型在多个零样本学习数据集上具有很好的性能。

May, 2018

本文针对零样本学习中的交叉域匹配问题，详细探讨优秀的 embedding 空间应满足的两个标准：类内紧度和类间可分性，并提出了一种基于两个分支网络的方法来同时映射语义描述和视觉样本到 joint 空间，并在其中强制要求视觉嵌入与类级语义嵌入相同，同时实现区分可训练分类器，实现跨未知类别输入的优化过程。此外，我们还扩展了我们的方法来处理 ZSL 中的模型偏差问题，并在五个标准数据集上获得了卓越的性能。

Aug, 2018

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

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

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

该研究提出了 Isometric Propagation Network（IPN），通过学习在语义空间和视觉空间内每个类别的表示之间的联系来解决零样本学习中的显着问题，并在三个流行的零样本学习基准测试中取得了最先进的表现。

Feb, 2021

该论文介绍了一个基于 Episode 的训练框架，用于零样本学习，其中模型在多个 Episode 中进行训练，通过逐步积累集成经验来预测模拟的看不见的类，以便在真实的看不见的类上进行良好的泛化，提出了一种新的生成模型，通过生成视觉原型并以课程语义原型为条件，确保视觉语义交互相匹配，并在对抗性框架中对抗参数经济的多模态交叉熵损失以捕捉区分性信息，经过多次实验发现，该模型在四个数据集的传统 ZSL 和广义 ZSL 任务中都优于现有的最先进方法。

Sep, 2019