本文介绍了一种利用深度神经网络作为端到端开放集分类器的方法，并基于类内数据拆分。作者将给定的数据划分为典型和非典型标准子集，使得在异常类的模拟上更有效，即将开放集识别问题转化为传统的分类问题。此外，作者还提出了一种闭集正则化方法，以保证闭集分类性能，通过五个著名的图像数据集上的实验，也证明了该方法的有效性。

Mar, 2019

介绍了一种对多类开放集分类问题的新方法 —— 生成式 OpenMax（G-OpenMax），使用生成对抗网络（GAN）进行新颖类别图像的合成，扩展了 OpenMax。在实验中验证了该方法的优越性，同时还提供了一种从开放空间中呈现未知类别的样本的方法。

Jul, 2017

本篇文章提出了一种新型 Open Deep Network (ODN) 架构，用于处理 Open-set action recognition 中的新类别检测和识别问题，并且可以更好地适应实际应用场景，在实验中达到了很优秀的表现。

Jan, 2019

本文研究开放式识别问题，通过神经网络解决恶意软件分类判断中的未知类别问题，实验结果表明该方法在两个不同领域的三个数据集上比其他方法明显提高。

Feb, 2018

本文提出原型为基础的开放式深度神经网络（P-ODN）进行开放集识别任务，将原型和原型半径一起训练，指导卷积神经网络获取更具有辨别性的特征，并采用基于特征和原型之间的距离度量的多类三元组阈值方法检测未知，从而动态包含新类别，实验结果表明，P-ODN 可以有效地检测未知，并且只需要少量的样本进行人工干预来识别新类别。

May, 2019

近年来，基于深度神经网络的系统不仅在人气上迅速增长，而且受到用户的信任。然而，由于这种系统的封闭世界假设，它们无法识别未知类别的样本，并且经常以高置信度引入错误标签。本文研究了开放集合识别方法的评估，着重关注类别不平衡对已知和未知样本的影响。在问题分析的基础上，我们提出了一套评估该领域方法的准则。

Feb, 2024

提出一种基于深度学习架构的机器人知识动态更新方法，该方法可以在不重新训练整个系统的情况下检测和学习感知对象是否属于系统已知的类别集，并可通过手动标注或网络自动挖掘获得新的类别信息以扩展系统知识。

Jun, 2019

本文介绍了一种深度类增量学习框架，与开放集识别相结合，通过精炼增量学习特征来适应基于距离的开放集识别。实验结果验证了我们的方法优于现有的增量学习技术，并在开放集识别方面表现出比基准方法更优异的性能。

Oct, 2023

使用卷积神经网络，结合误差嵌入器和解码器的多任务学习方法来提高开放式图像识别准确度，同时使用极值理论来模拟未知类别的误差，实验结果表明此方法优于现有的开放式识别算法。

Mar, 2019

这项研究介绍了一种新的方法，该方法利用紧凑型神经网络和基于边界的代价函数来关联，从而探索额外的样本，并可以通过在训练时间的表示层次上从外部数据库中获取补充的负样本或进行合成建模。实验结果表明，该方法能够提高闭集和开放集的识别率。

Aug, 2023