- 开集识别中基于已知分类的级联未知检测
深度学习模型在封闭集假设下表现良好，但在开放集条件下部署时遇到困难。本文提出了一种级联未知检测与已知分类方法（Cas-DC），通过学习专门用于已知 / 未知检测和已知类别分类的级联函数，实现在开放集识别任务中优于现代方法的性能表现。
- 通过开放集识别和未知样本检测的进展实现知情决策
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。
- 更好地了解自己：多样的判别特征学习改善开放式识别
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 - 在开放集识别评估中考虑类别不平衡
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 - AAAI探索开放集识别的多样化表示
基于对开集识别的理解并发现学习辅助表示可以从理论上降低开放空间风险，本文提出了一种名为多专家多样注意力融合（MEDAF）的新模型，该模型以辨别性方式学习多样的表示，通过多个学习的专家进行自适应融合，并使用评分函数来识别未知样本，实验证明该模 - 未知管理：开放集合识别与相关领域综述
本文综述开放集识别领域的最新文献，识别常见实践、限制和与连续学习、分布外检测、新颖性检测和不确定性估计等机器学习研究领域的联系，揭示了开放集识别领域的开放问题，并提出了几个研究方向，以促进和规范未来对更安全的人工智能方法的努力。
- 通过特征激活增强和正交原型学习实现开放式手势识别
该论文提出了基于表面肌电图的开放集手势识别方法，通过特征激活水平和投影不一致性识别已知和未知手势，达到了准确的闭集分类和有效的未知手势拒识。
- 统一的分类和拒绝：一对多的框架
通过使用统一框架和混合训练策略，本文在开放世界模式识别中建立了一个能够同时进行分类和拒绝未知输入的开放集分类器，实验证明该方法在闭集分类、未知输入检测和错误分类检测中表现竞争性。
- OpenIncrement：一种统一的开放集识别和深度增量学习框架
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。
- 领域自适应几样本开放集学习
我们提出了一种新颖的方法，称为域自适应少样本开放集识别（DA-FSOS），并引入了一种基于元学习的架构命名为 DAFOSNET。我们的模型通过在给定完全监督的源域和标签独立的少样本目标域的情况下创建伪开放空间决策边界来学习共享和可区分的嵌入 - 在物联网环境中检测未知攻击：增强网络入侵检测的开放集分类器
本文介绍了一种针对物联网环境中网络入侵检测系统的开放集识别问题的缓解框架，该框架利用基于图像的报文级数据表示，从网络流量中提取空间和时间模式，并结合堆叠和子聚类技术，有效地模拟良性行为的复杂和多样性，显著提升了先前未见攻击的检测率，未来将在 - OpenGCD：辅助通用类别发现的开放世界识别
OpenGCD 是一个开放式世界识别系统，通过将不同方法有序地结合起来，实现了自动化的未知类别识别、分类和标记，并具有良好的兼容性和性能表现。
- OpenNDD：面向神经发育障碍检测的开放集识别
提出了一种新的开放式识别框架用于神经发育障碍筛查和检测，其应用了自编码器和敌对互用的开放式识别，以识别已知类别并识别未遇到的类别。验证了其可行性，并取得了有希望的性能。
- torchosr -- PyTorch 扩展包，用于 Python 中 Open Set Recognition 模型的评估
该论文介绍了 torchosr 包，这是一个与 PyTorch 库兼容的 Python 包，提供了专为深度神经网络中的开放集识别设计的工具和方法。该包提供了两种最先进的方法、一组处理基本集的功能和导出集以处理测试过程中未知类别的开放集识别问 - OpenOOD: 广义越界检测基准测试
本文提出了一个名为 OpenOOD 的统一的、结构化的代码库，该库实现了超过 30 种 ODD 检测方法，并在最近提出的一般化 OOD 检测框架下提供了全面的基准。作者通过对这些方法的全面比较发现，过去几年中，该领域取得了显著进展，其中预处 - 自监督表示学习中的特征解耦以实现开集识别
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。
- ECCV基于难度感知的开放式识别模拟器
提出了一种新的 DIfficulty-Aware Simulator（DIAS）框架，用于生成具有不同难度水平的假样本以模拟真实世界的情况，在开放集识别（OSR）中超越了现有技术。
- 基于增强相似性学习的开放式识别
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 - AAAI通过鲁棒原型挖掘的开放集识别
本文提出了一种新的原型挖掘和学习（PMAL）框架，通过高质量和多样性的原型集来优化嵌入空间，以区分已知和未知对象，实验证明了该框架相对于现有技术的显着性能提升。
- 使用具有额外检测头的视觉转换器进行开放集识别
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。