2018年還剩不到10天，回顧一下今年CV（Computer Vision，計算機視覺）領域的進展，在技術上并沒有迎來什么革命性的新突破。

幾個頭部企業的業務重點，除了強化現有算法的精度，更多還是將精力投擲在商業布局上。

似乎每家公司都在為這個看得見的“賽點”爭分奪秒地發掘新應用場景。

不過，還是有很多新技術的進步值得我們專門用一篇文章來說一說，比如今天要講的Zero-Shot Learning。

畢竟，當場景被開發到極限，大家就又回到了技術的起跑線。

什么是ZSL？

零樣本學習zero-shot learning，是最具挑戰的機器識別方法之一。2009年，Lampert 等人提出了Animals with Attributes數據集和經典的基于屬性學習的算法，開始讓這一算法引起廣泛關注。

之所以如此重要，因為其迥異于傳統圖像識別任務的思考方式。

從原理上來說，ZSL就是讓計算機具備人類的推理能力，來識別出一個從未見過的新事物。

舉個例子，我們告訴一個從沒見過斑馬的小朋友：“斑馬是一種長得像馬，身上有黑白色條紋的動物”，他就可以很輕松地在動物園里找出來哪個是斑馬。

可是，在傳統的圖像識別算法中，要想讓機器認出“斑馬”，往往需要給機器投喂足夠規模的“斑馬”樣本才有可能。而且，利用“斑馬”訓練出來的分類器，就無法識別其他物種。

但是ZSL就可以做到，一次學習都沒有，只憑特征描述就識別出新事物，這無疑離人類智力又近了一步。

那么，這種“天秀”到底是怎么工作的？

簡單說的話，就是利用高維語義特征代替樣本的低維特征，使得訓練出來的模型具有遷移性。

比如斑馬的高維語義就是“馬的外形，熊貓的顏色，老虎的斑紋”，盡管缺乏更多細節，但這些高位予以已經足夠對“斑馬”進行分類，從而讓機器成功預測出來。

這就解決了圖像識別長久以來的問題：如果一個事物從來沒有在現有數據集中出現過，機器應該如何學習和識別它。

聽起來是不是很爽很智能的樣子，實際上也確實如此！

ZSL的“優越感”來自哪里？

在CV領域的頂會CVPR 2018 會議中，一個關于使用鑒別性特征學習零樣本識別的論文，被認為代表了該領域當前的最佳水平。

之所以受到如此重視，主要源于近年來零樣本學習（ZSL）在目標識別任務中的大顯身手。

由于ZSL所挑戰的現實情境前所未有地苛刻，使其具備了影響其他圖像識別效果的關鍵能力。

現有識別技術大多集中于監督學習，所以需要不斷推出更大的數據集，谷歌曾介紹說他們在用300Million的3D圖片進行訓練。而且，每個領域還需要各自的數據集。

這種情況下，全部進行數據標注的工作量也變得很大，很多新生事物更是想標注都無從談起。這樣在部署端的效率和成本就成了產業的“不可承受之重”。

那怎么辦呢？科研人員只好努力讓機器學會“花更少的錢，辦更多的事”。

以騰訊AI Lab的研究為例，其“Diverse Image Annotation”，就是充分利用標簽之間的語義關系，用少量多樣性標簽來表達盡可能多的圖像信息，實現自動標注。

ZSL則更為極端，要在一個樣本都沒有的前提下“空手套白狼”，這種極限挑戰，就給技術界帶來了新的活力。

首先，ZSL降低現有算法對數據集的依賴和標注的壓力，有利于提升機器視覺技術的親和力及部署效率；

另外，現在產業端對縮減算力需求的呼聲日漸高漲，ZSL清晰有效地指向了可行的解決方案；

更重要的是，ZSL解決的不僅僅是視覺問題，更與NLP的發展相輔相成。根據模糊高維的語義描述去進行識別，對機器的要求不僅僅是簡單分類，還要理解特征一些人類的高級知識，比如一種藝術作品的風格、一種特殊的情緒等。找到這種語義上的聯系，將機器視覺與NLP技術聯合在一起解決問題，ZSL激發的技術想象很是有趣。

都說“數據是AI的燃料”，那沒有燃料是不是就注定GG？ ZSL表示可以續命，就是這么得瑟！

從0到1：ZSL和OSL有何不同？

這時，想必很多關注技術趨勢的同學可能已經發現了，零樣本學習與少樣本學習（OSL，One-Shot Learning）在最終的應用成果上，似乎作用很相近啊。

比如說，都指向了高層次的認知問題。只要給OSL一張“斑馬”的圖片，它就能很高效地將它從其他動物中鑒別出來。背后靠的也是從很少的標簽中學習、分類和推理的能力。

在應用端，因為都不依賴龐大的數據集，兩種模型都能幫助產業的AI識別實現降本增效。

按理說，既然零樣本是少樣本的子集，那么是不是可以直接套用ZSL的模型來解決OSL的問題呢？

其實是可以的。畢竟“從沒見過”與“見過一次”相比，“從0到1”的技術難度要求更高。

不過，二者并不能輕易地被替代或劃等號，各自的研究都很有意義。

最大的區別在于， ZSL挑戰的是在相似語義中完成知識遷移，而OSL需要解決的是語義補全的能力，即如何利用唯一的樣本學習到更多的特征。

在實際應用中，關鍵能力的不同，賦予了它們不同的“必殺技”。

比草原廣闊：ZSL的應用場景

那么，ZSL到底能干些什么呢？

前面我們說過，目前產業界應用深度學習最大的痛點，無非是愛上一匹野馬 (泛化能力)，可是家里沒有草原 (高質量數據集) 。也并沒有企業會為了幾匹野馬，就不計成本地承包所有草原。

而ZSL能夠提供的想象空間，就比“草原”大得多了：

1.圖像自動標注、處理。人工標注代價高、速度慢，一旦ZSL被應用，其語義理解和遷移能力，借助知識圖譜的輔助（如屬性、文本描述等），把不同的視覺聯合在一起進行系統觀察，可以自動完成數據的識別和標注工作，而且結果的準確性不低于人工。

2.未知或生僻語種翻譯。在電影《降臨》中，美國的語言學家通過艱難地特征推斷，完成了與外星人的溝通。未來，這件事可以由機器來代勞。比如說一些樣本很少甚至早已不可考的語言（比如烏伯克語），通過ZSL系統就可以自動完成翻譯過程，實現宇宙的love&peace。

3.新類別的圖像合成。ZSL的學習目標是識別新事物，一些新類別的圖像合成，完全可以通過ZSL被創造出來。比如還原已經滅絕的物種。也許未來你在《侏羅紀》系列中看到的恐龍，就是機器“畫”出來的。

4.視頻識別。目前，越來越多的數據是視覺與文本信號共同出現，比如綜合性視頻網站，視頻、音頻、字幕、彈幕、評論等多模態信息都有，想要挖掘它們之間的相關性，就依賴于ZSL的宏觀預測能力。

總而言之，讓機器能夠像人一樣憑借“只言片語”做出推理和判斷，是一個很有用的功能。

從入門到放棄：ZSL的問題依然頑固

既然這么牛，為什么ZSL一直不溫不火呢？至少沒有像其他深度學習算法一樣成為“群寵”。主要原因還是在于幾個“牛皮癬式”的頑疾：

一是ZSL的效果依賴于相似模態的信息。在訓練時如果訓練集和測試集的類別相差太大，比如一個里面全是動物，另一個里面全是家居，這時讓ZSL分析二者的映射關系就太困難了，就很容易出現屬性漂移的“強偏”問題，難以預測出正確的結果，導致ZSL的性能表現大打折扣。

二是缺乏足量的專業定義和描述。ZSL雖然不需要大量的圖像數據集，但需要進行特征描述。這方面人工比機器分類效果更好。但目前還缺乏足夠的專業人員進行協助，NLP自身的發展也尚不足以滿足ZSL的需要，使得整體進程相對緩慢。

這些桎梏不解決，ZSL即便具備從零起點到學霸的潛力，也只能入寶山而空回，被不如它的算法搶走工作機會。

回顧一年來CV技術的產業化進程，算得上是紅紅火火恍恍惚惚。

我們可以想象，未來一兩年，從個人智能終端到城市的眼睛，機器視覺將無處不在。

一面是應用場景百花齊放異常火熱，一面像ZSL這樣的潛力股又處在相對停滯的狀態，核心問題都沒能取得突破性的進展。

在新年這樣承前啟后的階段，或許是時候給ZSL許一個未來了。