论文创新点
  
     
本文提出了一种全新的零样本学习框架，称为ZSLViT（Zero-Shot Learning Vision Transformer），旨在通过渐进式学习与语义相关的视觉特征，显著提升视觉语义交互的效果。我们引入了一种名为语义嵌入token学习（SET）机制，该机制通过语义增强和语义引导的方式，进一步优化了视觉特征的表达和语义信息的捕捉能力。