本文提出一种双渐进原型网络用于广义零样本学习。该方法通过渐进式地学习可见类和不可见类的原型表示，并利用双分支结构建模视觉特征与语义特征之间的映射，有效缓解了零样本学习中的领域偏移和投影偏差问题。在多个标准基准数据集上的实验验证了所提方法的有效性。
本文针对广义零样本学习（GZSL）中可见类与未见类之间的表示偏差问题，提出利用任务无关知识来学习可迁移的视觉表示。通过在大规模辅助数据上预训练或引入外部知识，使模型捕获与类别标签无关的通用特征，从而提升对未见类别的识别能力。在多个基准数据集上验证了方法的有效性。