1.一种训练零样本分类模型的方法，所述零样本分类模型包括第一神经网络层、基准神经网络层、全卷积神经网络层和第二神经网络层，所述方法包括：通过所述第一神经网络层将多个未见类别的属性向量映射到图像特征空间，以得到所述多个未见类别的语义嵌入向量；按照预设的拼图参数集中拼图参数 m 从大到小的顺序，对于每个 m 执行下列操作以训练所述零样本分类模型：将样本图像等分成 m × m 个图像块；随机打乱所述图像块的排列，以将所述图像块重新拼成重组图像；通过所述基准神经网络层和所述全卷积神经网络层，得到所述重组图像的加权全局特征；对于所述多个未见类别中的每个未见类别，通过所述第二神经网络层计算所述加权全局特征与该未见类别的语义嵌入向量的相容性得分，并基于所述相容性得分得到所述样本图像属于该未见类别的预测概率；基于所述多个未见类别分别对应的所述预测概率以及预先构建的类别标签的真实概率分布，计算交叉熵损失；调整所述零样本分类模型的参数，以最小化所述交叉熵损失；其中，所述零样本分类模型的参数包括：所述第一神经网络层的第一参数、所述第二神经网络层的第二参数、所述基准神经网络层的第三参数和所述全卷积神经网络层的第四参数。
2.根据权利要求1所述的方法，其中，通过所述基准神经网络层和所述全卷积神经网络层，得到所述重组图像的加权全局特征，具体包括：通过所述基准神经网络层提取所述重组图像的全局特征；通过所述全卷积神经网络层，基于注意力机制对所述全局特征进行学习，以得到多个特征掩码；以所述多个特征掩码作为注意力权重对所述全局特征进行加权，以得到所述加权全局特征。
3.根据权利要求1所述的方法，其中，通过所述第二神经网络层计算所述加权全局特征与该未见类别的语义嵌入向量的相容性得分，具体包括：通过所述第二神经网络层，将所述语义嵌入向量的类别元素映射为相容性类别元素，所述相容性类别元素的数量与所述加权全局特征的特征元素的数量相同；将所有所述相容性类别元素与所述特征元素作为一个元素整体，基于预设相容性函数，计算该元素整体的线性组合，以得到所述加权全局特征与该未见类别的语义嵌入向量的相容性得分。
4.根据权利要求1所述的方法，其中，所述预设的拼图参数集中的拼图参数服从等比数列关系。
5.根据权利要求1所述的方法，其中，所述预先构建的类别标签的真实概率分布是基于平滑标签构建的。
6.根据权利要求1所述的方法，其中，所述零样本分类模型的参数包括：所述第一神经网络层的第一参数、所述第二神经网络层的第二参数、所述基准神经网络层的第三参数和所述全卷积神经网络层的第四参数。
7.根据权利要求1所述的方法，其中，在调整所述零样本分类模型的参数之后，所述方法还包括：将待分类图像输入所述零样本分类模型，以确定所述待分类图像的类别。
8.一种训练零样本分类模型的系统，所述零样本分类模型包括第一神经网络层、基准神经网络层、全卷积神经网络层和第二神经网络层，所述系统包括：语义嵌入模块，通过所述第一神经网络层将多个未见类别的属性向量映射到图像特征空间，以得到所述多个未见类别的语义嵌入向量；样本图像训练模块，按照预设的拼图参数集中拼图参数m从大到小的顺序，对于每个m执行下列操作以训练所述零样本分类模型：将样本图像等分成m×m个图像块；随机打乱所述图像块的排列，以将所述图像块重新拼成重组图像；通过所述基准神经网络层和所述全卷积神经网络层，得到所述重组图像的加权全局特征；对于所述多个未见类别中的每个未见类别，通过所述第二神经网络层计算所述加权全局特征与该未见类别的语义嵌入向量的相容性得分，并基于所述相容性得分得到所述样本图像属于该未见类别的预测概率；基于所述多个未见类别分别对应的所述预测概率以及预先构建的类别标签的真实概率分布，计算交叉熵损失；调整所述零样本分类模型的参数，以最小化所述交叉熵损失；其中，所述零样本分类模型的参数包括：所述第一神经网络层的第一参数、所述第二神经网络层的第二参数、所述基准神经网络层的第三参数和所述全卷积神经网络层的第四参数。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至7任一所述的方法。
