零样本分类基于超维度计算
内容提要
该文综述零样本图像分类研究进展，涵盖基于语义属性生成分类器、无监督学习、卷积原型学习、想象样本构建及注意力机制等方法，在CUB、SUN、AWA2等基准上取得领先性能，并探讨了从零开始等更严格设定。
延伸解读
零样本分类的演进脉络
文章梳理了2017至2021年间零样本图像分类的研究进展，从早期基于语义属性生成分类器，到利用未标记数据自校准，再到无监督学习摆脱属性标注依赖，以及卷积原型学习在视觉空间识别，最后到从零开始设定禁止使用预训练编码器。这一脉络显示该领域逐步降低对人工标注和外部数据的依赖，同时提升任务难度和实用性。
方法多样性与性能基准
文章提及多种方法在CUB、SUN、AWA2等基准上取得领先性能，包括基于语义属性生成分类器、无监督学习、卷积原型学习、想象样本构建和注意力机制。这些方法从不同角度解决零样本分类问题，例如通过生成模型、原型学习或注意力机制，但均在标准数据集上验证，实际应用中的泛化能力仍需进一步检验。
更严格设定与未来方向
文章特别介绍了从零开始的零样本学习（ZFS），该设定明确禁止使用在其他数据集上微调过的编码器，强调本地信息和组合表示的重要性。这反映了领域对模型泛化能力和真实场景适应性的更高要求，推动研究者探索不依赖外部数据的解决方案，但同时也增加了学习难度，可能限制短期内的实际部署。
Q&A
零样本分类任务（ZSC）是什么？
零样本分类任务（ZSC）是指在学习图像分类器时，某些分类仅由语义描述（如视觉属性）定义，而其他分类也由实例图像定义，旨在通过生成模型和有监督学习方法有效解决这一问题。
零样本学习中有哪些主要方法？
主要方法包括：基于语义属性生成可视特征分类器的深度神经网络、使用未标记数据进行自校准的学习方法、基于名称的无监督零样本学习、利用语义/属性空间的区域表示实现无监督学习、卷积原型学习（CPL）框架、基于想象的样本构建方法、关注机制的模型、从零开始的零样本学习（ZFS）以及使用流形嵌入和自动生成视觉分类器的系统。
零样本学习在哪些数据集上取得了领先性能？
在CUB、SUN、AWA2等基准数据集上取得了领先性能，此外还在其他五个类视觉识别基准数据集上表现出卓越性能。
什么是从零开始的零样本学习（ZFS）？
从零开始的零样本学习（ZFS）是一种更具挑战性的零样本学习方法，它明确禁止使用在其他数据集上微调过的编码器，并强调了本地信息和组合表示的重要性。
卷积原型学习（CPL）框架如何用于零样本识别？
CPL框架通过在任务级别假设分布一致性，平稳地转移知识以识别未见样本；在每个任务内部，通过基于距离的训练机制学习区分性视觉原型，从而在视觉空间而不是语义空间中进行识别。
基于想象的样本构建方法如何解决零样本学习问题？
该方法通过构建想象样本来处理零样本学习问题，成功将零样本学习变为一个监督学习问题，并在四个数据集上验证了方法的有效性。
