本研究中，我们展示了如何通过一种新的损失函数形式实现全局到局部聚类的类特定特征，从而提高深度开放世界识别算法的性能，并提出了一种学习类特定拒绝阈值的策略，在 RGB-D Object 和 Core50 数据集上进行了实验证明了我们的方法的有效性。

Apr, 2020

本文介绍了一个新的计算机视觉问题：“开放领域物体检测”，其中模型的任务是在未经明确监督的情况下识别未引入的对象，并在逐步接收相应标签时增量学习这些已识别的未知类别。阐述了该问题，并提供了一种名为 ORE 的解决方案，基于对比聚类和基于能源的未知物体识别。我们的实验评估和消融研究分析了 ORE 在实现开放世界目标方面的功效。同时，我们发现确定和表征未知实例有助于减少增量对象检测设置中的混淆，我们在没有额外的方法论努力下实现了最先进的性能。希望我们的工作能吸引更多关于此全新但至关重要的研究方向的研究。

Mar, 2021

该论文提出了一种基于认知系统的深度网络模型，以探索深度网络模型内部表示和推理机制的知识表示、推理和学习挑战，并通过使用空间关系的接地和递增式的学习，以及基于非单调逻辑推理和基础常识域知识的决策，实现对场景中物品遮挡和稳定性的推理，通过识别与任务相关的图像区域训练深度网络模型来提高决策的可靠性和减少相关的训练工作量。

Jan, 2022

本文提出了一种基于深度学习的开放式场景下点云实例分割算法，能够从点云场景中分割出不同类别的实例。实验在两个自动驾驶数据集上验证了该方法的有效性。

Oct, 2019

为了解决识别模块对于意外输入的处理能力不足的问题，我们将主动识别视为一种按步骤的证据收集过程，在证据组合理论的指导下提供逐步的不确定性量化和可靠的预测。此外，本文提出的奖励函数有效地表征了在开放环境中操作时行动的价值，并通过一系列识别和鲁棒性分析的实验，演示了引入不确定性到主动识别以及所提方法的出色性能。

Nov, 2023

通过对线性变换特征空间距离单调递减函数的和进行分组来解决 “开放空间风险” 和经验风险之间的平衡，提出了开放世界识别问题，提出了一种用于评估开放世界识别系统的协议，并演示 Nearest Non-Outlier 算法如何可靠有效地处理大规模的图像数据集。

Dec, 2014

该研究提出了一种新型的 OpenMax 模型，通过引入 Meta-Recognition 概念到网络的倒数第二层的激活模式中，估计输入图像来自未知类别的概率，从而实现深度学习神经网络的开放式识别，极大地提高了开放式识别准确性。

Nov, 2015

本研究通过设计一种数据获取协议，对目前的深度学习方法在机器人视觉中的物体识别效果进行了广泛研究，并介绍了一个新的数据集。研究结果表明，需要知识转移才能提高性能，同时发现了机器人应用中的物体识别问题与图像检索任务之间的主要差异。

Sep, 2017

本论文通过提供离线和在线测试，证明使用深度学习方法进行三维物体识别在开放式领域中更为适用，同时混合手工制作和深度学习方法可以提高分类精度。

Jun, 2023

本文提出了一种针对机器人操作中暴露的变化性的视觉基准测试方法，它包括一个新的针对机器人拼装任务的数据集，一个在线适应算法，以及对这些算法的基准测试，这将有助于评估机器人视觉识别算法的泛化能力与鲁棒性。

Jul, 2018