本研究提出高斯假设开放集技术（GHOST），通过多元高斯分布建模深度特征，显著提升开放集识别（OSR）性能评估。

本研究提出了一种新方法，通过结合多种后处理的OOD检测技术和测试时数据增强策略，有效识别测试样本是否属于训练集类别。该方法在AUROC和FPR95指标上表现出色，并在比赛中获得第二名。

本研究旨在解决非受控环境中准确识别人脸的挑战，并通过评估算法和使用增强的无约束大学生数据集发现检测能力较强，但在开放集识别中仍需改进。该研究为未来开放集人脸识别的发展提供了重要参考。

该文章讨论了视觉语言模型在开放集识别中的问题，提出了修订定义和评估协议以促进标准化评估和研究。同时，还评估了一些基线方法。

该文介绍了一种新的识别方法DA-FSOS及其模型DAFOSNET，用于域自适应少样本开放集识别。该模型使用元学习架构，创建伪开放空间决策边界，增强数据密度，并提出特定于域的批归一化类原型对齐策略。在多个数据集上验证了其有效性。

本文提出了一个基于低维潜在空间与能量模型的先验分布的开放集识别问题的解决方案，包括属性感知信息瓶颈模块、残差属性特征聚合模块和基于不确定性的虚拟异常点合成模块。该方法可用于视觉分类和生成，并在精细化和通用的视觉分类数据集上得到验证。