Recent Advances in Generalized Zero-Shot Learning

摘要

生成式零样本学习的目标是构建一个模型，使其能够在监督学习框架下，即使面对未知的输出类别，依然具备对数据样本进行分类的能力。为实现这一目标，生成式零样本方法借助已知的语义信息，在可见类别与不可见类别之间建立联系，从而弥合两者之间的鸿沟。在相关研究中，大量零样本模型已被明确阐述。本文综述中，我们提出一种关于零样本学习的系统性见解。首先，我们对生成式零样本学习进行概述，并分析其面临的主要挑战与核心问题。其次，介绍了多种生成式零样本方法，并针对各类方法中的代表性技术进行了探讨。此外，我们还分析了这些方法在多个基准数据集上的应用情况，并进一步讨论了当前研究中存在的不足之处以及未来的发展方向。
关键词：生成式零样本学习、深度学习、语义空间、生成对抗网络、变分自编码器。

介绍

近年来，图像处理与计算机视觉技术的迅猛发展推动了深度学习模型的广泛应用。这些模型因其具备从特征提取到分类的端到端解决方案能力而备受青睐。尽管取得了诸多成功，传统深度学习方法仍面临挑战，即需要为每个类别准备大规模的标注数据集以及充足的样本数量。在这一背景下，获取具有标签的大规模样本成为一项极具挑战性的任务。以ImageNet为例，该数据集包含1400万张图片和21814个类别，其中许多类别仅包含少量图像样本。此外，常规深度学习模型能够判断样本所属的类别，并且这些类别