重新思考零样本学习：一种条件视觉分类视角

零样本学习（ZSL）旨在仅基于类的语义描述来识别未见类的实例。现有算法通常将其表述为语义-视觉对应问题，通过学习从一个特征空间到另一个特征空间的映射来解决。尽管合理，以往方法本质上以隐式方式丢弃了视觉特征高度宝贵的判别能力，从而产生不理想的结果。我们转而将ZSL重新表述为条件视觉分类问题，即基于从语义描述学习到的分类器对视觉特征进行分类。借助这一重新表述，我们开发了针对各种ZSL设置的算法：对于常规设置，我们提出训练一个深度神经网络，以基于片段的训练方案直接从语义属性生成视觉特征分类器；对于广义设置，我们将所见类学习到的高判别力分类器与未见类生成分类器拼接，以对所有类的视觉特征进行分类；对于直推式设置，我们利用无标签数据，通过一种新颖的免遗忘自训练机制有效校准分类器生成器，并由鲁棒的广义交叉熵损失引导该过程。大量实验表明，我们所提算法在所有ZSL设置的大部分基准数据集上以显著优势大幅优于最先进方法。我们的代码可在 \url{https://github.com/kailigo/cvcZSL} 获取。