zero-shot：基于对抗生成网络的零样本学习

视觉空间与语义空间相互生成并利用循环一致损失
Generative Dual Adversarial Network for Generalized Zero-shot Learning

关键点：

1. 视觉 ——》语义——》视觉；语义——》视觉——》语义
2. 使用cycleLoss衡量视觉——视觉；语义——语义的损失
3. 使用Discriminator进行real/fake判别
4. 在测试时，首先生成新的unseen类别特征，然后将生成的特征与seen特征融合，最后进行分类器的训练

Generative Model with Semantic Embedding and Integrated Classifier for Generalized Zero-Shot Learning

1. 视觉——》语义——》视觉的映射
2. 基于度量学习的Integrated Classifier模块，保证在测试新类时，无需生成大量的fake样本

CANZSL: Cycle-Consistent Adversarial Networks for Zero-Shot Learning from Natural Language

1. 视觉——》语义——》视觉的映射
2. 使用cycle consistency loss计算损失
3. 语义表示使用文本，不是明确的semantic vector

Feature Generating Networks for Zero-Shot Learnin

比较靠前的使用对抗生成网络解决zero-shot，只有语义——》视觉。没有花狸狐哨的各种损失，最后测试阶段，也是通过生成unseen样本来解决。

Self-supervised Domain aware Generative Network for Generalized Zero-shot Learning

出发点：
使用自监督，产生attribute对应的anchor参照，配合生成网络将source data与target data区分开来（Domain aware）
自监督来自于所有类别共享的attribute分类权重，以此作为anchor调整生成特征，并配合两个损失完成训练。但是attribute权重是如何得到的？？？

关键点：

1. domain aware 生成网络区别对待source data与target data
2. 使用自监督产生anchor参照，重塑feature，使source feature与target feature分离