开放环境模式识别涉及对已知类别的模式进行分类，并拒识歧义和未知类别的(也称为分布外(OOD))输入。深度神经网络通常在封闭集分类方面表现出色，而在拒识OOD输入方面表现不佳。为了解决这一问题，以往的方法大多采用置信度转换的后处理方式或者训练混合模型，在确保已知类别可区分的同时，OOD输入获得较低置信度分数。中国科学院自动化研究所刘成林研究员团队尝试为分类与拒识任务构建一个统一的开放集分类器框架，其可同时支持分类、OOD样本拒识及错分(歧义)样本拒识。作者将分类与拒识任务形式化为一个带额外未知类的分类问题，并仅在已知类别样本上训练模型。通过使用一对多训练策略结合Dempster–Shafer证据理论，推导得到已知类和未知类的后验概率，对分类和拒识给出了统一的决策规则。该方法同时在分类、OOD拒识和错分拒识方面得到优异性能。相关成果已发表于《机器智能研究(英文)》2024年第5期中。http://t.cn/A6EYDJv8#人工智能[超话]##机器学习[超话]##中国科学院自动化研究所#