本文提出了一种新方法，将多类分类器的校准转化为单个二元分类器的校准，以解决神经网络分类模型中置信度评分不准确的问题。实验结果表明，该方法显著提升了校准效率。

单源开放域泛化 (SS-ODG) 是解决有监督挑战的方法，通过提供带标签的源域和没有标签的新颖目标域来训练和测试。SODG-Net 是一种新框架，使用基于学习的目标合成新颖域和生成伪开放样本，以提高泛化能力和训练多类分类器。实验结果表明，SODG-Net 在多个基准测试中表现出卓越性能。

单源开放域泛化 (SS-ODG) 是解决有监督挑战的方法，通过提供带标签的源域和没有标签的新颖目标域来训练和测试。SODG-Net 是一种新框架，使用学习目标合成新颖域和生成伪开放样本，以增强泛化能力和训练多类分类器。实验结果表明，SODG-Net 在多个基准测试中表现出卓越性能。

该文介绍了SODG-Net框架，用于解决视觉细粒度的开放-闭合数据分类问题。该框架使用基于学习的目标合成新颖域和生成伪开放样本，以增强泛化能力并训练多类分类器。实验结果表明，SODG-Net性能卓越。