Existing zero-shot learning (ZSL) models typically learn a projection function from a visual feature space to a semantic embedding space (e.g.~attribute space). However, such a projection function is only concerned with predicting the training seen class semantic representation (e.g.~attribute prediction) or classification. When applied to test data, which in the context of ZSL contains different (unseen) classes without training data, a ZSL model typically suffers from the project domain shift

autoencoder matlab代码 DLAAE 《Discriminative Latent Attribute Autoencoder for Zero-Shot Learning》CCIS2018。论文代码很大程度参考和。 Dateset AwA() Requirements Matlab==2017a Usage Download the initial mat from , and then put it in ./datasets/ Download the vgg feature of AwA and put those in ./datasets/AwA/. Then datasets will be like this: datasets │ initial_awa_ADS.mat │ └─AwA feat-imagenet-vgg-verydeep-19.mat predicateMatrixContinuous.mat trainTestSplit.mat run main.m Description 读取数据 归一化 PCA降维 初始化 计算相似性空间 计算

1.进行生成对抗网络或零样本学习的学术研究生； 2.想了解生成对抗网络或零样本学习应用现状，不知从何看起； 3.需要多看文献来了解GAN的使用和应用； 4.希望快速ZSL的结合点和应用情况，并寻找灵感；

近年来，零样本学习（ZSL，zero-shot learning）已经在大量的任务中受到了广泛的关注。本文为大家带来了南洋理工大学的零样本学习最新综述，希望对大家有所帮助。 A Survey of Zero-Shot Learning: Settings, Methods, and Applications

针对弱监督机器学习方法，系统阐述了小样本学习、零样本学习、零—小样本学习的问题定义、当前主要方法以及主流实验设计，最后基于当前研究中出现的问题，对下一阶段研究方向进行了总结展望。

Zero-Shot Learing零样本学习数据集分享（GoogleNet 提取）-附件资源

面对人工标注大量样本费时费力，一些稀有类别样本难于获取等问题，零样本图像分类成为计算机视觉领域的一个研究热点。

迁移学习

该程序是看了网上一篇论文后进行了复现包括了基础复现和原文复现（原文复现使用了pytorch框架）在该资源包中附带复现的论文，语义空间矩阵，相关程序，还有数据集的相关说明（由于数据集过大，请自行下载数据集）