AlexNet添加第11类处理未知类别：该方案是否有效？

这个思路本质是把「开放集分类」问题转化为封闭集分类，通过新增第11类来兜底所有非目标样本，用Softmax交叉熵+Adam训练的方式完全能支撑这个需求，结合你每类7000张的充足数据量，只要注意几个细节，效果会很不错：

为什么这个方案能work？ #

• Softmax层的输出会给出样本属于每一类的概率，你后续只需要设定一个判断规则（比如：如果前10类的最大概率低于某个阈值，或者第11类的概率超过阈值，就判定为非目标类），就能完成“识别目标类+排除非目标类”的核心需求。
• 你现有目标类的数据量足够支撑模型学到稳定的类内特征，只要第11类的负样本覆盖足够广，模型就能顺利学到区分目标类和非目标类的边界特征。

需要重点注意的几个细节 #

• 负样本多样性是核心：如果第11类的样本太单一（比如只收集了某一种非目标图像），模型大概率只会识别这种特定的非目标类，遇到其他未知类还是会误判进1-10类。建议尽可能收集不同场景、不同类型的负样本，甚至可以用随机裁剪、颜色变换等数据增强来扩充多样性。
• 解决类别不平衡问题：如果你的负样本数量远少于每类7000张，模型会天然偏向于预测1-10类，导致第11类的召回率极低。可以给第11类设置损失权重（在CrossEntropyLoss里通过class_weight参数调整），或者用过采样、欠采样来平衡各类别的数据量。
• 灵活调整判断阈值：训练完别直接用“第11类概率>0.5”作为判定标准，建议在验证集上测试不同阈值的效果——比如想减少漏判（尽量把非目标类都揪出来），就降低阈值；想减少误判（别把目标类当成非目标类），就提高阈值。

可选的优化方向 #

• 可以先做对比学习预训练：用无标签的图像（包括目标类和非目标类）先预训练AlexNet的特征提取部分，让模型学到更鲁棒的通用特征，再微调分类头，这样对未知类的区分能力会更强。
• 结合**中心损失（Center Loss）**训练：让目标类的特征在空间上更紧凑，非目标类的特征更分散，进一步提升开放集识别的准确率。

内容的提问来源于stack exchange，提问作者Jonathan