一、定义
Open - set recognition（开放集识别）是一种在计算机视觉、模式识别等领域中使用的概念。它主要处理的情况是在训练阶段和测试阶段的数据分布不同，测试阶段会出现训练阶段没有见过的类别（即未知类别）的数据。
传统的分类任务（如闭集分类）假设测试数据中的类别都是在训练数据中出现过的，而开放集识别则更贴近现实世界的复杂情况。例如，在一个人脸识别系统的训练过程中，我们只使用了公司内部员工的人脸图像进行训练。但在实际使用场景中，可能会有外来人员（未知类别）出现在摄像头前，开放集识别就是要在识别出已知员工的同时，能够判断出未知人员。
二、关键要素
- 已知类别（Known Classes）
- 这些是在训练数据集中出现过的类别。模型通过对这些已知类别数据的学习，建立起对它们的识别能力。例如，在一个动物识别系统中，已知类别可能包括猫、狗、兔子等，模型通过对大量猫、狗、兔子的图像进行学习，学会识别这些动物的特征，如猫的眼睛形状、狗的尾巴形态、兔子的耳朵长度等。
- 未知类别（Unknown Classes）
- 是在训练阶段没有出现过的类别。对于模型来说，这些类别是全新的，没有预先学习过其特征。继续以上面动物识别为例，未知类别可能是袋鼠、考拉等，这些动物的图像没有在训练集中出现，模型需要能够判断出它们不属于已知的猫、狗、兔子类别。
- 决策边界（Decision Boundary）
- 用于区分已知类别和未知类别。在特征空间中，模型需要确定一个边界，将已知类别所在的区域和可能的未知类别区域划分开。这个边界的确定是开放集识别的一个关键问题。例如，在一个二维特征空间（如根据动物的体长和体重构建的特征空间）中，模型要为猫、狗、兔子这三个已知类别分别确定一个区域，并且在这些区域之外的部分被视为可能是未知类别。
三、主要方法
- 基于阈值的方法（Threshold - based Methods）
- 这种方法通过设置一个阈值来判断输入数据是否属于已知类别。在分类过程中，模型会计算输入数据与已知类别模型（如支持向量机模型、神经网络模型等）的距离或者相似度。如果这个距离或相似度大于某个阈值，就判定为未知类别；否则，判定为已知类别中的某一个。
- 例如，在一个手写数字识别任务中，对于一个输入的手写数字图像，模型计算它与训练好的数字0 - 9模型的相似度。如果最大相似度低于0.6（阈值），则认为这个数字可能是一个未知的符号或者数字，不属于0 - 9中的任何一个；如果最大相似度高于0.6，则认为它是0 - 9中的某一个数字，再根据具体的相似度值来确定是哪一个数字。
- 生成模型方法（Generative Model Approaches）
- 利用生成模型（如生成对抗网络 - GANs、变分自编码器 - VAE等）来学习已知类别数据的分布。通过生成模型生成已知类别数据的样本，然后与输入数据进行比较。如果输入数据与生成的样本差异较大，且不符合已知类别数据的分布规律，就判定为未知类别。
- 例如，在一个图像识别任务中，使用GAN来生成已知类别图像的分布。对于一个新的输入图像，如果它不能很好地匹配由GAN生成的已知类别图像的分布特征，如纹理、颜色、形状等，那么就将其判断为未知类别。
- 基于特征空间划分的方法（Feature - space Partitioning Methods）
- 对特征空间进行划分，为已知类别划分出各自的子空间，剩余的空间部分则被视为可能的未知类别空间。这种方法通常结合聚类算法或者密度估计算法来实现。
- 例如，在一个物体形状识别任务中，通过聚类算法将已知形状（如圆形、方形、三角形）的物体在特征空间（如根据物体的周长、面积等特征构建的空间）中划分出各自的区域。当一个新的物体形状出现时，如果它不在这些已知形状的区域内，就判断为未知形状。
四、应用场景
- 安全监控领域
- 在监控系统中，开放集识别可以用于区分已知的授权人员和未知的闯入者。例如，在机场、银行等场所的监控摄像头系统中，通过对员工和授权访客的面部、行为等特征进行训练，能够识别出这些已知人员，同时对于从未在训练数据中出现的潜在危险人物（如恐怖分子、小偷等）进行预警，判断为未知类别人员并发出警报。
- 生物识别技术
- 除了人脸识别，在指纹识别、虹膜识别等生物识别技术中也有应用。以指纹识别为例，系统在对已注册用户的指纹进行训练后，当有新的指纹输入时，开放集识别可以判断这个指纹是属于已知用户还是未知用户，从而提高系统的安全性和准确性。
- 自然物种识别
- 对于生态研究人员来说，在野外进行物种识别时，开放集识别可以帮助他们区分已知的物种和可能新发现的物种。例如，通过对已知植物或动物物种的图像、特征等数据进行训练，当在野外拍摄到新的生物样本时，系统可以判断这个样本是已知物种还是可能的新物种。