A novel network training approach for open set image recognition

摘要：

1. 卷积神经网络（CNN）通常是为封闭集安排而设计的，其中测试实例只属于训练中使用的一些 "已知的"（KK）因此，它们是基于的KK预测试样品的类别标签。
2. 然而，当开放集合识别时（OSR）设置使用时(输入可能属于 "未知的未知 "或UU类)，这样的网络总是将测试实例分类为KK即使它来自UU类。
3. 作为一种解决方案，生成对抗网络的解决方案（GAN）已使用数据增强。在这项工作中，我们提出了一种新的挖掘方法 "已知的未知训练者 "或KUT设计一个深度OSR网络（OSRNet）使用这个数据集。我们的目标是通过KUT集向OSRNet传授UU的本质，KUT集实际上是挖掘出来的 "硬已知未知否定 "的集合。一旦训练，OSRNet可以检测到UU，同时在KK保持高分类精度。
4. 我们评估了六个基准数据集OSRNet，并证明它优于当代OSR方法。

方法：

第一步(划分数据集):数据集Dx分为已知类Dkk,未知类只用于测试Duu,未知类只用于训练Dkut。

第二步(训练模型):1)使用已知类Dkk训练已知分类器 2)对于额外提供的数据集Dx，筛选其中最大得分大于阈值的样本得到Dkut3)提取已知类Dkk只用于训练的未知类Dkut的FC层和softmax两层特征。.使用已知类Dkk只用于训练的未知类Dkut两层特征训练异常检测模型。

第三步测试：如下图所示，非常简单

实验结果：

算了吧，方法太简单了。