现代模式识别系统不是假定包含固定数量的对象的封闭环境,而是需要识别异常值,识别异常或发现全新的对象,这就是所谓的零击对象识别。 但是,许多现有的零击学习方法不够高效,无法自我更新带有与已知或新奇类标签混合的新样本的方法。 在本文中,我们提出了一种基于间接属性预测(IAP)模型的增量零击学习框架(IIAP / QR)。 首先,提出了一种基于零空间的线性判别分析的快速增量分类器,具有QR更新(NLDA / QR),可以解决小样本量(SSS)问题和不等样本量(USS)。通常在增量学习中出现的问题。使用每个类的质心作为输入。 然后,利用类-属性层和属性-零.shot分类层的概率推断,IIAP / QR模型可以高效地进行自身更新,以将新样本插入到具有可比性的识别能力的现有类和完全新颖的类中。用于零散物体识别。