1.一种基于球面嵌入、球面对齐和球面校准的零样本学习机制，其特征在于，包括：系统整体框架构建、语义嵌入网络参数学习过程与未见类别样本识别；

所述系统整体框架构建包括：

图像经过视觉特征嵌入网络φ，类别信息经过语义嵌入网络 通过球面嵌入的KL距离，球面对齐的R函数和球面校准的最小熵约束，构造一个目标函数如下：其中 表示球面嵌入的KL距离，由实际标注样本和预测样本之间分布的KL距离计算，R表示球面对齐函数； 表示球面校准的最小熵约束，α和β为实验过程中调节的超参；

所述语义嵌入网络参数学习过程包括：

tr

输入：可见类别的类别原型AC集合和未知类别的类别原型AU集合，训练数据集合Dc ，视觉特征嵌入网；

输出：语义嵌入网络 参数；

步骤1：初始化，设置batch大小B以及迭代次数l，初始化语义嵌入网络 参数；

步骤2：迭代次数iter＝[1:l]，做以下操作：步骤2.1：随机采样B个样本；

步骤2.2：将可见类别的类别原型AC和未知类别的类别原型AU投影到球面嵌入空间，即对AC∪AU中的每一个类别原型a，根据语义嵌入网络 生成步骤2.3：按照以下公式计算R：

其中i、j分别表示原型a对应的类别标号，cos(θi,j)则表示两个类别i、j的原型之间的余弦距离， 表示两个类别i、j之间对齐因子：其中ai表示类别i的原型，aj表示类别j的原型， 表示语义嵌入网络；

其中u取值表示均匀对齐因子，即 表示平衡对齐因子，S取值表示语义对齐因子，即表示相似度对齐因子，而λ是平衡语义对齐和均匀对齐的平衡参数，在[0,1]之间取值，平衡对齐因子按下式计算：相似度对齐因子按下式计算：

步骤2.4：按照以下公式计算：

其中 表示训练数据集， 表示从训练数据集中选择样本xn， 表示在数据集 上所有样本上的期望，H[q]表示分布q的熵， 表示样本xn经过视觉特征嵌入网络φ和语义嵌入网络 之后，在已知原型a的条件下，预测类别标签y的概率分布，a为对应原型，y为预测的类别标签，概率分布q计算为：其中φ表示视觉特征嵌入网络，表示语义嵌入网络，C表示已知类别数，U表示未知类别数，ai表示类别i的原型，aj表示类别j的原型，yi表示y向量中的第i个分量，即在已知原型，已知语义嵌入网络和视觉特征嵌入网络的条件下，xn属于类别i的概率，其中函数fρ计算如下：其中ρ1和ρ2分别对应可见类别和未见类别的球面半径函数，指定ρ2>ρ1；

步骤2.5：最小化下面目标函数ρ2>ρ1；

其中 表示训练数据集， 表示从训练数据集中选择样本xn， 表示在数据集 上所有样本上的期望，DKL表示计算xn实际类别标签 和其预测的标签分布p之间的KL距离，而 为xn的one‑hot型标注向量，p函数计算如下：步骤2.6：用后向传播方法更新语义嵌入网络 参数；

所述未见类别样本识别包括：

输入：测试图像xm，可见类别的类别原型AC和未知类别的类别原型AU，语义嵌入网络 参数，视觉特征嵌入网络φ参数；

输出：测试图像的预测输出；

步骤1：对测试图像xm，计算测试图像的视觉表示；

步骤2：将可见类别的类别原型AC和未知类别的类别原型AU投影到球面嵌入空间，即对AC∪AU中的每一个类别原型a，根据语义嵌入网络 生成步骤3：按照如下公式计算对测试图像的类别预测值

其中为了和训练数据保持一致，fρ计算如下：

其中θn,i表示原型an和ai之间的夹角，其中n表示样本xn的类别。

2.根据权利要求1所述的一种基于球面嵌入、球面对齐和球面校准的零样本学习机制，其特征在于，利用所述系统整体框架中构造的目标函数，学习得到语义嵌入网络 参数，从而实现将球面嵌入、球面对齐和球面校准融合到一个框架中，解决语义鸿沟问题、枢纽问题、预测偏差问题。

3.根据权利要求1所述的一种基于球面嵌入、球面对齐和球面校准的零样本学习机制，其特征在于，语义嵌入网络参数学习过程中，步骤2的步骤2.3的 的计算公式中，λ∈[0,

1]为试验过程中调节的超参。

4.根据权利要求1所述的一种基于球面嵌入、球面对齐和球面校准的零样本学习机制，其特征在于，语义嵌入网络参数学习过程中，步骤2的步骤2.4的 的计算公式中，H是训练集样本的概率分布q的熵。

5.根据权利要求1所述的一种基于球面嵌入、球面对齐和球面校准的零样本学习机制，其特征在于，语义嵌入网络参数学习过程中，步骤2的步骤2.4的 的计算公式中，C为可见类别的样本个数，U为未见类别的样本个数；φ(xn)为图像xn的视觉特征嵌入函数， 为类别原型a的语义特征嵌入函数，yi表示y向量中的第i个分量，即在已知原型，已知语义嵌入网络和视觉特征嵌入网络的条件下，xn属于类别i的概率。

6.根据权利要求1所述的一种基于球面嵌入、球面对齐和球面校准的零样本学习机制，其 特征 在 于 ，语 义 嵌入 网 络 参 数 学 习过 程 中 ，步 骤 2的 步 骤 2 .5的公式中，α和β实验数据中调节的超参。

7.根据权利要求6所述的一种基于球面嵌入、球面对齐和球面校准的零样本学习机制，其特征在于，公式中的第一项 体现了球面嵌入。

8.根据权利要求6所述的一种基于球面嵌入、球面对齐和球面校准的零样本学习机制，*其特征在于，公式中的第二项αR(η)体现了球面对齐。

9.根据权利要求6所述的一种基于球面嵌入、球面对齐和球面校准的零样本学习机制，其特征在于，公式中的第三项 体现了球面校准。

10.根据权利要求6所述的一种基于球面嵌入、球面对齐和球面校准的零样本学习机制，其特征在于， 作为优化公式集中利用了球面嵌入、球面对齐和球面校准分别解决语义鸿沟、枢纽问题和预测偏差问题。