增量式零样本学习：基于属性的图像分类新框架

"基于属性的图像分类零增量学习" 现代图像识别系统已经超越了传统的封闭世界假设，不再局限于固定数量的已知对象，而是需要具备识别异常、发现新类别的能力，这被称为零样本学习（Zero-Shot Learning，ZSL）。在零样本学习中，系统需要能够对之前未见过的类别进行分类，仅仅依赖于类别的描述属性。然而，现有的许多零样本学习方法在应对新样本和新类别时效率低下，无法有效地进行自我更新。 本文提出了一个名为基于间接属性预测（Indirect Attribute Prediction, IAP）的增量零样本学习框架（Incremental IAP/QR）。该框架的核心是一个快速的增量分类器，它采用了基于零空间的线性判别分析与快速的QR更新（NLDA/QR）。NLDA/QR方法针对小样本量（Small Sample Size, SSS）和不等样本量（Unequal Sample Size, USS）问题进行了优化，这些问题在增量学习中尤为突出。通过使用每个类别的质心作为输入，NLDA/QR能够有效地处理新样本的加入。 接下来，IIAP/QR模型结合了类-属性层和属性-零样本分类层，通过概率推理进行自我更新。这种更新机制允许模型在保持识别性能的同时，将新样本插入到现有的已知类中，或是创建全新的类别，从而适应零样本识别任务的需求。这一方法对于处理不断变化的数据环境，以及在未知类别的识别中尤其有价值。 IIAP/QR的创新之处在于其增量学习能力和对属性的高效利用，这使得模型能够在不停止服务的情况下持续学习和适应，提高了系统的泛化能力和实用性。通过对属性的间接预测，模型能够捕获类别的潜在关联，并将这些知识应用到新类别的识别中，即使没有直接的训练样本。 这项研究为图像分类提供了一个更灵活、适应性强的解决方案，特别适用于需要不断适应新类别和数据流的场景。通过结合NLDA/QR的快速分类和IAP的属性推理，IIAP/QR展示了在零样本学习领域的一个重要进步，对于推动未来智能系统的发展具有重要意义。