本研究介绍了一种可扩展的开放式人脸识别方法，用于包含数百和数千个主题的图库。通过聚类和二元学习算法的集合，该方法可以准确识别感兴趣的个体，并有效处理陌生人脸。它选择最合适的图库主题，并使用集合方法来提高预测性能。通过在众所周知的 LFW 和 YTF 基准测试上进行实验，结果表明即使针对可扩展性，也可以实现竞争性能。

Aug, 2023

通过引入一个紧凑的适配器网络，该研究采用预训练的深度神经网络作为特征提取器，并在开放集协议下，在增加负样本熵和专门化图库的同时，取得了在三个不同数据集（LFW，IJB-C 和 UCCS）上有希望的成果，以及当额外的负样本数据被合理选择用于微调适配器网络时，达到了最先进的性能。

Nov, 2023

本文提出了一种基于开放式协议的人脸识别方法，并对不同的相似性评估策略进行了评估，发现使用 EVM 概率阈值法可以在一个开放式的协议下实现最佳性能。

May, 2017

我们提出了一种新的面部表情识别模型，将小类间距的劣势转化为优势，通过注意力图的一致性和循环训练来检测开放集样本，实验证明我们的方法在各种面部表情识别数据集上明显优于现有的开放集识别方法。

Jan, 2024

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

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

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

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

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