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

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

本文深入分析了UOSR任务在不同训练和评估设置下的性能，并评估了几种OSR方法的UOSR性能。我们发现UOSR性能明显优于相同方法的OSR性能，原因在于已知但错误分类的样本。我们还探讨了OSR的两种训练设置如何影响UOSR，提出了新的评估设置few-shot UOSR，并提出了FS-KNNS来实现在所有设置下的最先进性能。

Feb, 2023

利用LORD框架在分类器训练过程中明确建模了开放空间，通过三种模型不可知的训练策略提高了对未知数据的识别，并探索了将混合作为数据生成技术的可行性。

Aug, 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

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

对于开放世界的部署，目标检测器检测和标记新对象的能力对很多实际应用非常关键。本研究提出了一种名为Open-Set Object Detection and Discovery (OSODD)的新任务，并且提出了一种称为Open-Set Regions with ViT features (OSR-ViT)的检测框架作为解决方案，该框架将无类别假设的倡议网络与强大的ViT-based分类器相结合。我们的评估结果表明，OSR-ViT在性能上远超过现有的有监督方法，并且在低数据场景中表现出色，即使使用少量的训练数据也能优于有监督基线模型。

Apr, 2024

分类的目标是将未知样本正确地分配标签。开放式分类（OSC）算法旨在最大化封闭式和开放式识别能力。本文全面比较了各种OSC算法，包括基于训练的方法和后处理方法，充分评估它们在模拟真实世界问题中的性能，结果显示EOS有助于改善几乎所有后处理算法的性能。

Jun, 2024