Zero shot learning

Zero shot learning

主要考察的问题是如何建立语义和视觉特征的关系（视觉特征一般用预训练好的CNN提取特征，不再进行fine-tine）

为了预测从未在训练集上出现的目标种类，仿照人的思维迁移，能根据某些特征描述（他和谁长得像，有点类似于科学家第一次看见鸭嘴兽的感觉），猜测一个从未见过的目标种类。

Zero shot learning:假设斑马是未见过的类别，但根据描述和过去知识的印象即马（和马相似）、老虎（有条纹）、熊猫（颜色）相似进行推理出斑马的具体形态，从而能对新对象进行辨认。

零次学习就是希望能够模仿人类的这个推理过程，使得计算机具有识别新事物的能力

过程

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cKclHUwA-1638407670286)(C:\Users\Lan\AppData\Roaming\Typora\typora-user-images\image-20211017221158387.png)]

Zero shot 需要解决的困难

• 获取合适的类别描述A（进展较小，描述的获取主要集中于一些NLP方法且难度较大）
• 建立一个合适的分类模型（主要工作集中于此，目前的方法较多，比较容易出结果）

建立合适的分类模型

主要工作：建立特征空间与语义空间之间的映射

1.分类：最简单形式是岭回归