隐藏的学霸之魂：Zero-Shot Learning如何打破“零起点”的封印？(2)

一是ZSL的效果依赖于相似模态的信息。在训练时如果训练集和测试集的类别相差太大，比如一个里面全是动物，另一个里面全是家居，这时让ZSL分析二者的映射关系就太困难了，就很容易出现属性漂移的“强偏”问题，难以预测出正确的结果，导致ZSL的性能表现大打折扣。

二是缺乏足量的专业定义和描述。ZSL虽然不需要大量的图像数据集，但需要进行特征描述。这方面人工比机器分类效果更好。但目前还缺乏足够的专业人员进行协助，NLP自身的发展也尚不足以满足ZSL的需要，使得整体进程相对缓慢。

这些桎梏不解决，ZSL即便具备从零起点到学霸的潜力，也只能入宝山而空回，被不如它的算法抢走工作机会。

回顾一年来CV技术的产业化进程，算得上是红红火火恍恍惚惚。

我们可以想象，未来一两年，从个人智能终端到城市的眼睛，机器视觉将无处不在。

一面是应用场景百花齐放异常火热，一面像ZSL这样的潜力股又处在相对停滞的状态，核心问题都没能取得突破性的进展。

在新年这样承前启后的阶段，或许是时候给ZSL许一个未来了。

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App

（编辑：ASP站长网）