零样本学习及其从自动驾驶到 COVID-19 诊断的应用：综述

在事先未接收任何样例的情况下学习新概念、新物体或新医学疾病识别的任务被称为零样本学习（ZSL）。基于深度学习的方法（如医学影像及其他现实应用）中的一个主要问题，是需要通过临床医生或专家标注的大规模数据集来训练模型。ZSL 以仅依赖先前已知或已训练的概念加上当前已有的辅助信息而具有极少的人工干预著称。这使得 ZSL 适用于许多现实场景，从未知物体检测于自动驾驶到医学影像及诸如基于 COVID-19 胸部 X 光（CXR）的诊断等突发疾病。我们引入一种新颖且宽泛的解决方案称为少样本/单样本学习，并将 ZSL 问题定义为少样本学习的极端情形。我们综述零样本学习的基础与具挑战性的步骤，包括最先进的解决方案类别，以及我们推荐的方案、各类方法背后的动机、它们相对于各类型的优势，以指导临床医生和 AI 研究者根据其应用推进最佳技术与实践。继而我们综述涵盖医学与非医学图像的不同数据集、多样的划分方式以及迄今提出的评估协议。最后，我们讨论 ZSL 的近期应用与未来方向。我们旨在通过本文传递有益的直观认识，以朝向以更近似人类学习的方式处理复杂学习任务的目标。我们主要聚焦于当今现代却具挑战的时代中的两类应用：应对 COVID-19 病例的早期快速诊断，以及鼓励读者利用 ZSL 开发其他类似的基于 AI 的自动检测/识别系统。