本研究提出了一种基于 ViT 技术解决开放集识别问题的新方法，通过集群标识测试示例是否属于已知类别，实现模型性能的提升。在多个开放集基准数据集上的广泛评估表明，该方法显著优于其他基线方法并取得了新的最佳性能。

Mar, 2022

本文提出了 OSODD 任务，使用开放式对象检测器识别未知对象的同时，基于其视觉外观无需人力，进一步发现未知对象的类别。我们提出了使用开放式对象检测器预测已知和未知对象的两阶段方法，然后以无监督的方式研究预测对象的表示，并从未知对象集合中发现新类别。在完整的评估协议下展示了我们模型在 MS-COCO 数据集上的性能。这项工作将促进更加强健的实际检测系统的研究。

Apr, 2022

本文介绍了 DE-ViT，这是一个使用纯视觉 DINOv2 骨干网络的开放集对象检测器，通过示例图像而不是语言来学习新的类别。为了提高检测能力，我们将多类别分类任务转换为二分类任务，并提出了一种新的区域传播技术来进行定位。在 COCO 和 LVIS 的开放词汇、少样本和一次样本对象检测基准测试中，DE-ViT 的性能超过了 SoTA。

Sep, 2023

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

本研究致力于解决跨领域小样本目标检测（CD-FSOD）的挑战，提出了一种准确的对象检测器，用于具有最少标记示例的新领域。通过引入多个指标来量化域差异，并建立具有多样化域度量值的新的 CD-FSOD 基准，对一些最先进的开放式对象检测方法进行评估，结果表明，直接采用开放式检测器进行 CD-FSOD 会导致性能下降。“CD-ViTO” 通过引入多种新颖组件，包括微调、可学习的原型模块和轻量级注意力模块，旨在克服性能降级问题并回答提出的第二个问题。实验证明，我们的 CD-ViTO 在领域外和领域内目标数据集上均取得了令人印象深刻的结果，为 CD-FSOD 和 FSOD 建立了新的 SOTAs。所有数据集、代码和模型将向社区发布。

Feb, 2024

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

开放词汇检测（OVD）是一种新的目标检测范式，旨在定位和识别由不受限词汇定义的未知对象。本文提出了三种 OVD 方法，并通过实验验证了这些方法在不同设置下的性能。其中，DRR 方法在 OVD-COCO 基准测试中取得了最佳表现，并相对于先前最先进水平获得了 2.8 的 AP$_{50}$ 绝对增益。

Sep, 2023

提出了一种弱监督开放式词汇目标检测（WSOVOD）框架，扩展了传统的弱监督目标检测方法，实现了对新概念的检测和仅使用图像级别标注的多样数据集的利用。

Dec, 2023

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

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