零样本学习和小样本学习（转）

2018年还剩不到10天，回顾一下今年CV（Computer Vision，计算机视觉）领域的进展，在技术上并没有迎来什么革命性的新突破。

几个头部企业的业务重点，除了强化现有算法的精度，更多还是将精力投掷在商业布局上。

似乎每家公司都在为这个看得见的“赛点”争分夺秒地发掘新应用场景。

不过，还是有很多新技术的进步值得我们专门用一篇文章来说一说，比如今天要讲的Zero-Shot Learning。

毕竟，当场景被开发到极限，大家就又回到了技术的起跑线。

 

 

 

 

 

什么是ZSL？

零样本学习zero-shot learning，是最具挑战的机器识别方法之一。2009年，Lampert 等人提出了Animals with Attributes数据集和经典的基于属性学习的算法，开始让这一算法引起广泛关注。

之所以如此重要，因为其迥异于传统图像识别任务的思考方式。

从原理上来说，ZSL就是让计算机具备人类的推理能力，来识别出一个从未见过的新事物。

举个例子，我们告诉一个从没见过斑马的小朋友：“斑马是一种长得像马，身上有黑白色条纹的动物”，他就可以很轻松地在动物园里找出来哪个是斑马。

 

 

 

可是，在传统的图像识别算法中，要想让机器认出“斑马”，往往需要给机器投喂足够规模的“斑马”样本才有