零样本图像分类已成为机器学习领域的研究热点，主要用于解决标记训练样本不足以涵盖所有对象类的情况下，如何对未知新模式进行正确分类的问题。利用训练样本学习到的分类器对新出现的对象类进行分类识别是非常困难的学习任务。本书针对上述问题从属性入手，分别围绕基于深度学习及知识挖掘、多源域属性自适应、属性扩展和相对属性4个方面进行展开，共13章。其中，第3章～第6章为基于深度学习及知识挖掘的零样本图像分类；第7章～第8章为基于属性自适应的零样本图像分类；第9章～第11章为基于属性扩展的零样本图像分类；第12章～第13章为基于相对属性的零样本图像分类。本书可供理工科高等院校模式识别、数据挖掘及相关专业的教师与研究生阅读，也可供自然科学和工程领域中的研究人员参考。

王雪松，女，1974年12月生，安徽省泗县人，博士，中国矿业大学信息与控制工程学院教授，博士生导师，教育部新世纪优秀人才，江苏省333高层次人才，孙越崎青年科技奖获得者。
1992年9月至1996年7月，在安徽理工大学电气工程系学习，获得工学学士学位。1996年9月至1999年7月，在中国矿业大学读控制理论与控制工程专业硕士研究生，获得工学硕士学位。1999年9月至2002年7月，在中国矿业大学读控制理论与控制工程专业博士研究生，获得工学博士学位。2002年7月至2004年7月，在北京理工大学控制科学与工程博士后流动站做博士后。
研究方向为机器学习及模式识别。现为《电子学报》编委、中国机械工业教育协会自动化学科教学委员会委员等。近年来，主持国家自然科学基金项目3项；以第一完成人身份，获教育部自然科学奖二等奖2项；在科学出版社出版专著5部：发表被SCI、EI收录论文100余篇。

第1章 绪论
1.1 零样本图像分类
1.2 零样本图像分类发展现状
1.2.1 属性知识表示方法研究进展
1.2.2 知识迁移与共享方法研究进展
1.3 本书主要研究内容
参考文献
第2章 属性学习基础知识
2.1 属性基本概念及特点
2.2 二值属性学习
2.2.1 二值属性基本概念
2.2.2 二值属性分类器学习
2.3 相对属性学习
2.3.1 相对属性基本概念
2.3.2 排序学习
2.3.3 相对属性的应用
2.4 基于属性的零样本图像分类
2.4.1 间接属性预测模型
2.4.2 直接属性预测模型
参考文献
第3章 基于关联概率的间接属性加权预测模型
3.1 系统结构
3.2 RP-IAWP模型
3.3 RP-IAWP模型权重计算
3.4 RP-IAWP模型分析
3.5 算法步骤
3.6 实验结果与分析
3.6.1 实验设置
3.6.2 属性预测实验
3.6.3 零样本图像分类实验
3.6.4 权重分析实验
3.7 本章小结
参考文献
第4章 基于深度特征提取的零样本图像分类
4.1 系统结构
4.2 图像预处理
4.3 特征映射矩阵学习
4.4 视觉图像特征学习
4.5 算法步骤
4.6 实验结果与分析
4.6.1 实验设置
4.6.2 参数分析
4.6.3 属性预测实验
4.6.4 零样本图像分类实验
4.7 本章小结
参考文献
第5章 基于深度加权属性预测的零样本图像分类
5.1 系统结构
5.2 基于深度卷积神经网络的属性学习
5.3 基于稀疏表示的属性-类别关系挖掘
5.4 基于直接属性加权预测的零样本图像分类
5.5 算法步骤
5.6 实验结果与分析
5.6.1 实验设置
5.6.2 属性预测实验
5.6.3 零样本图像分类实验
5.7 本章小结
参考文献
第6章 基于类别与属性相关先验知识挖掘的零样本图像分类
6.1 系统结构
6.2 基于白化余弦相似度的类别-类别相关性挖掘
6.3 基于稀疏表示的属性-类别相关性挖掘
6.4 基于稀疏表示的属性-属性相关性挖掘
6.5 算法时间复杂度
6.6 实验结果与分析
6.6.1 实验数据集
6.6.2 参数分析
6.6.3 属性预测实验
6.6.4 零样本图像分类实验
6.7 本章小结
参考文献
第7章 基于自适应多核校验学习的多源域属性自适应
7.1 系统结构
7.2 源域构造
7.3 特征选择
7.4 基于中心核校准的自适应多核学习
7.5 算法步骤
7.6 实验结果与分析
7.6.1 实验数据集
7.6.2 参数分析
7.6.3 零样本图像分类实验
7.7 本章小结
参考文献
第8章 基于深度特征迁移的多源域属性自适应
8.1 系统结构
8.2 多源域构造
8.3 图像预处理
8.4 深度可迁移特征提取
8.5 目标域特征加权
8.6 基于稀疏表示的属性-类别关系挖掘
8.7 基于多源决策融合的IAP模型
8.8 实验结果与分析
8.8.1 实验数据集
8.8.2 参数分析
8.8.3 零样本图像分类实验
8.9 本章小结
参考文献
第9章 基于混合属性的直接属性预测模型
9.1 研究动机
9.2 系统结构
9.3 基于HA-DAP的零样本图像分类
9.3.1 混合属性的构造
9.3.2 基于稀疏编码的非语义属性学习
9.3.3 基于混合属性的直接属性预测模型
9.4 实验结果与分析
9.4.1 实验设置
9.4.2 零样本图像分类实验
9.5 本章小结
参考文献
第10章 基于关系非语义属性扩展的自适应零样本图像分类
10.1 系统结构
10.2 关系非语义属性获取
10.3 域间自适应关系映射
10.4 关系非语义属性扩展的自适应零样本图像分类
10.5 实验结果与分析
10.5.1 实验设置
10.5.2 参数分析
10.5.3 关系非语义属性字典分析
10.5.4 零样本图像分类实验
10.6 本章小结
参考文献
第11章 基于多任务扩展属性组的零样本图像分类
11.1 系统结构
11.2 多任务扩展属性组训练模型
11.3 类别-类别关系矩阵构建
11.4 基于多任务扩展属性组的零样本分类
11.5 实验结果与分析
11.5.1 实验设置
11.5.2 类别关系矩阵构建
11.5.3 类别与属性分组构建
11.5.4 零样本图像分类实验
11.6 本章小结
参考文献
第12章 基于共享特征相对属性的零样本图像分类
12.1 研究动机
12.2 系统结构
12.3 基于RA-SF的零样本图像分类
12.3.1 共享特征学习
12.3.2 基于共享特征的相对属性学习
12.3.3 基于共享特征的相对属性零样本图像分类
12.4 实验结果与分析
12.4.1 实验数据集
12.4.2 参数分析
12.4.3 共享特征学习实验
12.4.4 属性排序实验
12.4.5 零样本图像分类实验
12.5 本章小结
参考文献
第13章 基于相对属性的随机森林零样本图像分类
13.1 研究动机
13.2 系统结构
13.3 基于RF-RA的零样本图像分类