本文介绍了卷积原型学习（CPL）和分类器投影正则化（CPR）等深度学习模型的改进方法，旨在提升模型的鲁棒性和准确性。研究表明，CPL在开放世界识别中表现优越，而CPR通过正则化减轻灾难性遗忘。此外，提出了基于Wasserstein距离的损失函数，以解决置信度过高的问题，并优化特征映射以提高模型性能。

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。