开集检测（open set detection）

开集识别。传统的模型包括以上两种模型都是闭集识别，即模型知道所有的类别，Zero-shot learning模型中即使训练集和测试集都没有斑马类别的样本，但测试集中包含了斑马类别的描述，这是有用的属性信息。然而开集识别要实现的是训练集和测试集的类别可以有一样，也可以有不一样的，但模型最终能在不提供任何辅助信息的情况下区分出已知类别，同时也能分辨出未知类别并作相应处理。下图是这个领域某篇论文中对深度学习使用数据的定义与分类。

KKCs：具有明确标签的正训练样本（对其他KKCs为负样本），包含相应的伴随信息（语义和属性信息等）的类别

KUCs：被标记为负样本，不必要被划分为一个具体的类别

UKCs：训练时没有可用的样本，但是有可用的伴随信息（语义和属性信息等）

UUCs：训练时没有可用样本，也没有伴随信息（语义和属性信息等）

传统分类只考虑KKCs；Zero-shot learning关注识别UKCs；Few-shot learning看作是Zero-shot learning的扩展，训练时有有限数量的UKCs；开集识别训练时只有KKCs，测试时有UUCs，需要准确分类KKCs同时需要正确的策略拒绝UUCs。