知识驱动的零样本视觉识别：范畴、挑战与进展

零样本学习（Zero-Shot Learning）是计算机视觉领域内的一种新兴挑战，它旨在通过已学习到的已知类别知识来处理未见过的新类别，从而实现跨类别识别。近年来，随着“数据+知识驱动”的发展，尤其是在零样本任务中，如何有效地利用和整合知识成为关键。然而，当前对于“知识”的定义在零样本视觉识别任务中并未达成共识，这使得理论和实践的发展面临一定的困扰。 本文首先探讨了“知识”这一概念在零样本视觉识别中的多维度划分，主要包括初级知识、抽象知识和外部知识。初级知识指的是基础的、可以直接应用的实例特征或属性，如形状、颜色等，这些可以通过已有的训练数据直接推断。抽象知识则是更高级别的概念，可能涉及到多个初级知识的组合，如动物的种类可以归结为哺乳动物、鸟类等抽象类别。外部知识通常指的是来自领域专家或外部数据库的知识，例如，词嵌入表示或百科全书信息，能提供跨类别的上下文关联。 文章详细分析了零样本学习中遇到的挑战，如领域偏移问题，即已学习的模型在处理新领域数据时可能出现性能下降；还有枢纽点问题，即找到能够连接已知和未知类别的桥梁，以便进行知识迁移。针对这些问题，研究者们提出了多种方法，包括基于初级知识的零样本模型，这些模型通常利用领域间的共享结构或特征来建立类间的联系。 接下来，文章讨论了如何构建和利用知识库，如构建跨领域的知识图谱，以增强模型的泛化能力。此外，文中还介绍了常用的图像分类实验评估标准，比如类别间的距离度量、特征嵌入的相似性计算等，用于衡量零样本识别模型的性能。 本文最后列举了关键词，包括零样本学习、初级知识、抽象知识和外部知识，以强调这些概念在零样本视觉识别任务中的核心作用。整体来看，该综述论文为我们提供了对零样本学习在计算机视觉领域应用的深入理解，以及目前研究热点和未来发展方向的洞察。通过综合运用和创新知识利用策略，零样本识别有望在解决实际场景中的未知类别识别问题上取得突破。