代码采用识别模型的是Alexnet模型，识别数据集为mnist手写数据集 代码运行前提是python的运行环境安装了libmr包

OpenSet_ReciprocalPoints 开源，重新实现已发布的ECCV '20关于互认点的论文，以实现开放集识别。 截至2020年10月，本文是开放式识别的最新技术。 正在进行代码清理； 测试集上的结果将很快更新。 与论文作者确认此实现是正确的。 使用作者的数据加载器，该实现实际上超过了tiny-imagenet上已发布的性能。 使用我自己的数据加载器，结果略低于发布的性能（数据拆分有所不同，所以这可能是原因）。 我还在这两个数据集上运行了标准的深度学习基准。 实际上，我发现当前的公开文献低估了基线； 当前的文献报道的基线数字比我用自己的代码获得的数字低得多。 这可能表明，开放集识别的进度比看起来要温和得多。 方法 CIFAR + 10 微型Imagenet 公布的基准 81.6％ 57.7％ 我对基准的实施 89.24％（价值） 66.35％（价值） 我对

类锚聚类：基于距离的损失，用于训练开放集分类器 类锚聚类（CAC）损失是一种完全基于距离的损失，明确鼓励训练数据在logit空间中围绕类依赖的锚点周围形成紧密的聚类。 该存储库包含本文中的培训和评估代码： 类锚聚类：基于距离的损失，用于训练开放集分类器 Dimity Miller，Niko Suenderhauf，Michael Milford，Feras Dayoub 在2021年IEEE / CVF计算机视觉应用（WACV）冬季会议上发布。 如果您使用本作品，请引用： @inproceedings{millerclass, title={Class Anchor Clustering: A Loss for Distance-Based Open Set Recognition}, author={Miller, Dimity and Suenderhauf, Nik

Towards Inheritable Models for Open-Set Domain Adaptation开源代码