zeroshot跨模态（zero-shot, one-shot和few-shot）
目录
一 、Zero-shot learning （零样本学习 ，简称ZSL）
二 、One-shot learning
三 、Few-shot learning
对于这些概念的划分 ，主要从测试卷类别 ，训练集类别以及类别对应的样本数量的角度来理解 。
一 、Zero-shot learning （零样本学习 ，简称ZSL）
任务定义：
利用训练集数据训练模型 ，使得模型能够对测试集的对象进行分类 ，但是训练集类别和测试集类别之间没有交集；期间需要借助类别的描述 ，来建立训练集和测试集之间的联系 ，从而使得模型有效 。
ZSL就是希望我们的模型能够对其从没见过的类别进行分类 ，让机器具有推理能力 ，实现真正的智能 。其中零次（Zero-shot）是指对于要分类的类别对象 ，一次也不学习 。
比如：假设我们的模型已经能够识别马 ，老虎和熊猫了 ，现在需要该模型也识别斑马 ，那么我们需要告诉模型 ，怎样的对象才是斑马 ，但是并不能直接让模型看见斑马 。所以模型需要知道的信息是马的样本 、老虎的样本 、熊猫的样本和样本的标签 ，以及关于前三种动物和斑马的描述 。
二 、One-shot learning
如果训练集中 ，不同类别的样本只有一个 ，则成为One-shot learning.
One-shot learning 属于Few-shot learning的一种特殊情况 。
三 、Few-shot learning
如果训练集中 ，不同类别的样本只有少量 ，则成为Few-shot learning.
就是给模型待预测类别的少量样本 ，然后让模型通过查看该类别的其他样本来预测该类别 。比如：给小孩子看一张熊猫的照片 ，那么小孩子到动物园看见熊猫的照片之后 ，就可以识别出那是熊猫 。
推荐阅读的小样本学习综述：
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！