我们有一个图像分类器，它是使用 CNN 和更快的 R-CNN 和 Yolov5 构建的。

它被指定在 3D 对象上运行。所有这些对象都具有相似的“特征”结构，但每个对象类的实际特征彼此之间有些不同。因此，我们努力根据这些特征差异来检测类别。

理论上有数千个不同的类别，但目前我们已经训练模型检测 4 种类别，方法是在包含这 4 个类别中的每一个类别的许多不同角度的图像（每个 1,000 个图像）的数据集上对其进行训练。

我们面临的主要问题是，每当模型在“未知”对象上运行时，它仍然可能将其归类为我们的 4 个类之一，有时它会以高概率得分（0.95）这样做，这阻碍了整体可信度我们的模型结果。

我们认为这可能是因为我们使用了 SoftMax，这似乎迫使模型将未知对象分配给 4 个类之一。

我们想知道解决这个问题的最佳方法是什么。

我们尝试添加一个新的第五个“垃圾”类，其中包含 1,000 个不属于我们四个类的“其他”对象的图像，但它显着降低了我们测试图像的置信度，所以我们不确定这是否在都是进步。