研究中提出了一种 Open set recognition based on Pseudo unseen data Generation (OPG) 方法，利用相似度学习，通过先学习一个 closed set classifier，再学习如何将已知类别分别与伪未知类别进行比较（通过数据分布转化生成的），从而检测未知类别（或未看到过的类别），实验结果表明，这种基于相似度特征的方法可成功区分开放性识别基准数据集中已知和未知的类别。

Mar, 2022

机器学习技术为数据提供更深入和实用的洞察力，帮助企业做出明智的决策；此研究提供了一种算法来改善开放集识别任务中的分类，通过探索特征空间的新表示方法，提高了分类的准确性。

May, 2024

我们通过对开放集识别方法进行分析，重点关注特征多样性方面，揭示了学习多样化辨别特征与提升开放集识别性能之间的显著相关性，并基于此洞见提出了一种利用特征多样性优势的新型开放集识别方法，通过在标准的开放集识别测试平台上进行严格评估，证明我们的方法大幅优于现有方法。

Apr, 2024

本文综述了现有的开放集识别技术，包括相关定义、模型表示、数据集、评估标准和算法比较，在此基础上简要分析了其与零样本学习、有样学习、分类拒绝等相关任务的关系，并指出现有方法的局限性，并指出一些有前途的研究方向。

Nov, 2018

本文总结了最新的开放式图像识别方法的发展，主要包括了基于深度神经网络的方法在粗粒度和细粒度数据集上的性能比较以及对比分析，同时讨论了该领域的若干开放问题和未来可能的研究方向。

Dec, 2023

通过结合零样本学习和开放式识别的方法，我们提出一种用于处理未知类别样本的零样本开放式识别问题的模型，通过学习生成未知类别的对抗性语义嵌入来训练分类器，在检测未知类别的同时保持对未见类别的准确分类。

Jul, 2023

使用 Target-Aware Universum (TAU) 和 Dual Contrastive Learning (DCTAU) 框架，将开放类问题转化为能够有效建模已知类和未知类之间边界的问题，并在实验证明 DCTAU 取得了最新的最高水平。

Jan, 2024

本文提出了一种自监督特征解耦方法，用于开放集识别任务，通过利用聚类算法来同步解决训练数据不足和未知类别问题。实验结果表明，自监督方法在图像识别和恶意软件检测的任务中能够优于其他方法，同时提出的内外比率指标与开放集识别的性能相关。

Sep, 2022

本文提出了一种基于逐步扩展开放空间的解决方案，即 Progressive Open Space Expansion（POSE），用于 Open-Set Model Attribution（OSMA）任务中，以同时将图像归因于已知模型并识别来自未知模型的图像。

Mar, 2023

本文是一篇 Open Set Recognition 领域的综述性研究，介绍了现有的开放集识别模型、它们的优劣以及该领域的最新进展，分析了 OSR 与多类别分类和新颖性检测的关系，得出该领域可以有效地处理现实世界中未知的情况结论，并提出了新的研究方向和应用场景。

Aug, 2021