Towards Open Set Deep Networks：开放世界的目标检测

文章发表于2016年

文章链接：

1、概述
随着深度网络在目标检测领域的发展，网络的性能和准确率都在不断提升。但是存在的一个问题，深度网络很容易被一些图片（在人类看来没有意义）所欺骗，即使我们觉得该图像并不属于某一类别，但是深度网络还是会以高置信度将其分为该类。究其原因，这是因为我们训练网络时，使用的是封闭的数据集（有多少类别已经提前规定好，所以深度网络的选择只会在这些特定类别中去选择）。

作者在此强调更多的应该是：模型应该拒绝未知类，而不是以高置信度将其辨认为已知类。
但是在现实世界中，大多数检测任务都是开放的，在动态和不断变化的现实世界中部署识别系统时，绝大多数的识别系统是为静态封闭世界设计的，其中主要的假设是所有类别都是已知的。深度网络，就像许多经典的机器学习工具一样，被设计用于执行封闭集识别。作者认为深度网络应该具有识别已知类和未知类的能力。因此作者提出了一种新的方法–用于使深度网络识别开放数据集，通过引入一个新的模型层–OpenMax，它可以估计一个输入来自未知类的概率。而估计未知类的一个关键就是将元识别（Meta-Recognition）概念应用于网络倒数第二层的激活模式。基于此方法，深度网络可以拒绝欺骗性的图片以及与系统不相关的图像集。OpenMax大大减少了由深度网络造成的明显错误的数量。证明了OpenMax概念提供了有界开空间风险，从而正式提供了一个开集识别解决方案。

总结：
（1）