Zero-shot learning (ZSL) 是图像分类任务中使用的一种方法，它使模型能够识别和分类图像，而无需看到这些类别的任何训练示例。ZSL不是仅仅依赖于每个可能的类的标记数据，而是利用已知和未知类之间的关系。这通常是通过使用属性或描述来完成的，这些属性或描述允许模型理解新类的特征和特性，即使它没有被显式地训练。
例如，考虑一个模型，该模型已被训练为使用标记有其各自标签的图像来识别某些动物，如猫和狗。在零拍场景中，如果模型遇到新的类别，例如斑马，它仍然可以根据对相关属性的理解对图像进行分类。如果它知道斑马有条纹，四条腿，并且类似于马 (它可能在训练过程中看到)，它可以利用这些信息对斑马图像进行分类，即使没有任何特定的斑马训练示例。
这种方法在收集和注释每个可能类别的数据不可行或成本太高的情况下特别有用。例如，在野生动物保护中，研究人员可能希望从相机陷阱图像中识别新物种，而无需预先收集这些物种的图像。零样本学习使模型能够基于广义知识做出明智的猜测，从而提高了应用程序的范围和效率。通过使用语义关系或类属性等辅助信息，ZSL大大扩展了可用于图像分类任务的解决方案。