由于看到的班级和未看到的班级之间的训练数据极端不平衡，因此大多数现有方法在零击学习（ZSL）的艰巨任务中均无法获得令人满意的结果。 为了避免需要看不见的类的标记数据，在本文中，我们研究了如何为ZSL问题综合视觉特征。 关键的挑战是如何在不训练样本的情况下捕获看不见的类的真实特征分布。 为此，我们提出了一个包含随机属性选择（RAS）和条件生成对抗网络（cGAN）的混合模型。 RAS旨在通过属性之间的相关性来学习属性的现实生成。 为了改善对大量类的区分，我们在生成网络中增加了重构损失，这可以解决域移