学习心得【 Open Set, Open World, Zero Shot Learning, Out-of-Distribution Detection, Open Vocabulary】

-----学习心得主要基于以下两篇文献-----
1、Towards Open World Object Detection
论文地址：https://arxiv.org/abs/2103.02603
2、Towards Open Vocabulary Learning: A Survey
论文地址：https://arxiv.org/abs/2306.15880

结论 ：
(1) Open Set Detection/Classification: 训练数据不包含未知类别，测试数据中包含未知类别。但是对存在多种未知类别的情况均标记为$unkown$，不进行进一步细分（如$unkow{n}_1$、$unkow{n}_2$）

(2) Open World Detection/Classification: 训练数据是包含已知和未知类别的，测试数据中也包含已知和未知类别。但是对存在多种未知类别的情况均标记为$unkown$，不进行进一步细分（如$unkow{n}_1$、$unkow{n}_2$）；同时包含增量学习过程，即在后续逐步认识未知类相应的标签时，增量地学习这些已识别的新类别，而不遗忘先前学习的类。

(3) Zero Shot Learning: 训练数据为已知类别，测试数据只包含未知类别。但是对存在多种未知类别的情况需要进行进一步细分（如$unkow{n}_1$、$unkow{n}_2$）

(4) Out-of-Distribution Detection: 训练数据处于同一个分布，但是测试时可能会遇到来自不同于训练数据分布的数据。

(5) Open Vocabulary: 设未知类别$\in$$Q$，训练数据为已知类别$\in$$P$，输入为($x_i$,$y_i$,$l_i$)，其中$y_i$$\in$$P$，$l_i$是视觉感知对应的语言词汇数据，$l_i$$\in$$L$，$L$所描述的类别空间并不严格要求包含$P$ 或者$Q$，也可能在他们之外，测试数据包含已知和未知类别，即$P$ $\cup$ $Q$。

认识较浅、有误区的地方欢迎指正。