零样本旨在模仿人类的推理过程，利用可见类别的知识，对没有训练的样本不可见类别进行识别，

• 类别嵌入：Class embedding： 描述类别语义和视觉特征的向量，能够实现知识在类别间的转移，因而在零样本学习中发挥着不可替代的作用。
• 

零样本分类图解

由于属性（attribute)能够被不同类别共享，促进了知识在类别间的转移，因此是使用最广泛的类别嵌入，并在其他计算机视觉任务中，被广泛作为辅助信息。
然而属性标注过程需要大量的人力投入和专家知识，限制了零样本学习在新数据集上拓展，此外，受限于人类的认知有限，其标注的属性无法遍历视觉空间，因而图像中一些具有辨别性的特征无法被属性捕捉，导致零样本学习效果不佳。

在计算机视觉中，大家会经常提起图像的语义信息以及图像的高层特征与底层特征，那么到底什么是图像的语义呢？今天，介绍以下图像的高层特征和底层特征。

图像的语义信息

图像的语义信息分为视觉层，对象层和概念层，

• 视觉层即通常所理解的底层，即颜色、纹理、形状等。这些特征都被称为底层特征语义，

• 对象层即中间层包含了属性特征等。就是某一对象在某一时刻的状态等，

• 概念层是高层：是图像表达出最接近人类理解的东西，通俗地说，比如一张图上有沙子、蓝天、海水等。觉层是一块块的区分，对象层是沙子、蓝天和海水这些****，概念层就是海滩，这是这张图表现出的语义。 ### 2.图像的底层、高层特征

• 图像的底层特征，图像的底层特征指的是轮廓、边缘、颜色、纹理和形状特征。

• 边缘和轮廓能反映图像的内容，如果能对边缘和关键点进行可靠提取的话，很多视觉问题基本上都得到了解决，图像的底层的特征语义信息比较少，但是目标位置准确。

图像的高层特征

t图像的高层语义特征值得我们所能看到的东西，比如对一张人脸提取底层特征，我们可以提取到连轮廓、鼻子、眼睛之类的。那么高层特征就显示为一张人脸，高层特征语义信息比较丰富，但是目标位置比较粗略，愈深层特征包含的高层语义性愈强，分辨能力也愈强，我们把图像的视觉特征称为视觉空间，把种类的语义信息称为语义空间。

总结

• 慢慢的将各种图像信息，全部都将其搞定，慢慢的将各种网络架构，全部都将其搞定都行啦的回事与打算，会将计算机视觉全部都将其搞定都行啦的理由。