零样本识别的最新进展

随着深度卷积神经网络的近期复兴，监督识别任务取得了令人鼓舞的突破，在这些任务中，每个类别都有充足的训练数据和完全标注的训练数据。然而，将识别扩展到大量类别且每个类别只有很少或没有训练样本仍然是一个未解决的问题。扩展识别的一种方法是开发能够在没有任何训练实例的情况下识别未见类别的模型，即零样本识别/学习。本文对现有的零样本识别技术进行了全面回顾，涵盖了从模型表示到数据集和评估设置的各个方面。我们还概述了相关的识别任务，包括单样本识别和开集识别，当有有限数量的类别样本可用或在真实世界环境中实现零样本识别时，它们可以作为零样本识别的自然扩展。重要的是，我们强调了现有方法的局限性，并指出了这一现有新研究领域的未来研究方向。