这个问题在现实场景的分类任务里太常见了——毕竟训练集不可能覆盖所有可能的情况！下面分享几个落地性强的方案，帮你的模型学会识别“陌生面孔”：

1. 基于置信度阈值过滤 #

这是最直接的思路：模型对已知类别的预测通常会有较高的置信度，而对未知类别的置信度会明显偏低。

• 操作步骤：训练完5类分类器后，测试时获取模型softmax输出的最大概率值（也就是置信度）。
• 判断规则：提前设定一个合理阈值（比如0.7，具体需要用含未知样本的验证集调优），如果最大置信度低于阈值，就判定为“未知”；反之则归为对应类别。
• 注意：阈值不能设得太高或太低——太高会把部分已知类样本误判为未知，太低则起不到过滤作用。

2. 把“未知”当作一类来训练（开放集分类） #

直接让模型主动学习区分已知类和未知类：

• 准备未知类样本：收集训练集之外的其他人脸数据，或者用GAN等生成模型合成不属于5类的人脸样本。
• 调整训练流程：把这些样本标记为“未知”类别，和原有的5类数据一起训练分类器。这样模型在测试时就能直接输出“未知”这个类别。
• 小技巧：如果未知样本数量不足，可以用半监督学习或对比学习的思路——让模型先学习已知类的特征分布，再把偏离这个分布的样本归为未知。

3. 基于特征距离的检测 #

利用人脸特征的相似度来判断样本是否属于已知类：

• 训练阶段：为每个已知类别计算特征中心（比如该类所有样本特征的平均值）并存储。
• 测试阶段：提取待检测人脸的特征，计算它和每个已知类特征中心的距离（常用余弦距离、欧氏距离）。
• 判断规则：如果最小距离超过设定阈值，说明该样本特征不在任何已知类的分布范围内，判定为“未知”；否则归为距离最近的类别。

4. 专门的开放集分类算法 #

如果基础方法满足不了精度要求，可以试试针对开放集问题优化的算法：

• 比如OpenMax：它是Softmax的扩展，能把未知类的概率分配到一个额外的“未知”类别中，通过统计已知类的特征分布来动态调整概率输出。
• 或者CosFace/ArcFace的开放集变种：这类人脸特征提取模型本身就擅长刻画人脸特征的相似度，结合距离阈值能很好地识别陌生人脸。

最后小提醒 #

不管用哪种方法，一定要用包含未知样本的测试集来验证效果——确保模型在准确识别已知人脸的同时，不会把陌生人硬塞进已有的5类里。

内容的提问来源于stack exchange，提问作者JTCrafter