打开集识别是将分类模型应用于现实世界应用中时的一个关键组成部分，最近的研究表明，基于熟悉度的评分规则（如最大软最大概率和最大逻辑分数）在封闭集准确度较高时是强大的基准。然而，基于熟悉度的开放集识别存在对抗攻击的潜在弱点。本文介绍了基于梯度的对抗攻击方法对熟悉度评分进行攻击，分别针对虚假熟悉性和虚假新颖性攻击，并在 TinyImageNet 上评估了它们在知情和不知情环境中的有效性。

Nov, 2023

研究了开放集识别中识别出训练集中语义类别之外的样本与对封闭集类别的准确性有着密切的关联，并通过提高对封闭集类别的准确度来改善基线和现有方法的性能，并提出了一种更好的用于检测语义新颖性的基准数据集。

Oct, 2021

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

本文对开放集识别任务中现有度量方法进行系统分析，并提出了一种新的度量方法 OpenAUC，旨在解决现有方法的不一致性问题。最终，本文提出了一种基于端到端学习的方法，通过最小化 OpenAUC 风险来实施开放集识别。实验结果表明，该方法具有良好的性能。

Oct, 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

本文提出了一种名为 CROSR 的新型开放式识别深度学习网络方法，其不仅具有良好的未知类别检测和已知类别分类准确性，而且在多种标准数据集上的实验结果表明其优于其他现有的深度开放式分类器，并且具有鲁棒性。

Dec, 2018

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

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