摘要
零样本学习（Zero-shot Learning, ZSL）是一个具有挑战性的问题，其目标是在没有见过的目标类别数据的情况下进行识别，通过利用语义信息从某些源类别中迁移知识。尽管近年来ZSL取得了显著进展，但大多数现有方法在广义零样本学习（Generalized Zero-shot Learning, GZSL）任务中容易对源类别过拟合，这表明它们对目标类别的知识学习较少。为了解决这一问题，我们提出了一种新颖的可迁移对比网络（Transferable Contrastive Network, TCN），该网络明确地将知识从源类别迁移到目标类别。它自动将一张图像与不同类别进行对比，以判断它们是否一致。通过利用类别间的相似性，将源图像的知识迁移到相似的目标类别上，我们的方法在识别目标图像方面更加鲁棒。在五个基准数据集上的实验结果证明了我们的方法在GZSL任务中的优越性。