实现这一点的常用方法是添加带有数据示例的新类。

您需要解决的一些问题：

• 为您的“其他”类采购新数据。

• 确保“其他”类示例中数据的数量和变化与预测器的使用方式相匹配。

不需要为此的代码示例，因为您只需使用与已有的相同的网络设计并添加另一个输出即可。这是一个数据和模型定义问题。

从逻辑上讲，您还有另一个选择：除了输出预测的类别外，您还可以单独预测是否有任何可检测的对象作为真/假值。这仍然需要额外的数据，但例如 YOLO 算法如何用于对象检测。对象检测具有特定含义 - 它涉及在图像中查找可能多个对象的坐标和类别。这超出了您问题的措辞，但如果您提出此类问题，这是一个典型的最终目标。

YOLO 与对象类别分开预测对象的存在。YOLO 训练的额外数据来自对源图像的分割，因此目标图像的许多部分都是没有对象的背景。在这种情况下，您需要的额外数据是由于每个图像示例中的更详细标签。

YOLO 是一个相当复杂的架构，因此如果您的目标是对象检测，您可能希望查看在Github 项目中使用 Keras 的这个示例以了解更多详细信息。

如果您使用 softmax 分布进行分类，那么您可以确定正确分类样本的基线最大概率是多少，然后推断新样本是否不属于任何已知类别（如果其最大概率低于某个值）种门槛。

这个想法来自一篇研究论文，该论文比我刚才所说的更好地解释了这个过程：A Baseline for Detecting Misclassified and Out-of-Distribution Examples in Neural Networks