Die kürzlich vorgeschlagenen Methoden zur Erkennung von Objekten in offenen Welten und zur Erkennung unbekannter Klassen haben einen Durchbruch bei der Identifizierung bisher nicht gesehenen Objekts und deren Unterscheidung von bekannten erreicht. Allerdings sind ihre Studien zum Wissenstransfer von bekannten zu unbekannten Klassen nicht tief genug, was zu einer begrenzten Fähigkeit führt, unbekannte Objekte im Hintergrund zu erkennen. In dieser Arbeit schlagen wir den Unbekannten-Sniffer (UnSniffer) vor, um sowohl unbekannte als auch bekannte Objekte zu finden. Zunächst wird der verallgemeinerte Objektvertrauenswert (Generalized Object Confidence, GOC) eingeführt, der nur mit bekannten Stichproben überwacht wird und eine unangemessene Unterdrückung unbekannter Objekte im Hintergrund vermeidet. Bedeutsam ist, dass dieser Vertrauenswert, der aus bekannten Objekten gelernt wurde, auf unbekannte generalisiert werden kann. Darüber hinaus schlagen wir einen Verlust für die Unterdrückung negativer Energie vor, um die Nicht-Objekt-Stichproben im Hintergrund weiter zu unterdrücken. Anschließend ist es schwierig, während der Inferenz das beste Bounding Box für jedes unbekannte Objekt zu erhalten, da deren semantische Informationen während des Trainings fehlen. Um dieses Problem zu lösen, führen wir ein graphbasiertes Bestimmungsverfahren ein, das das manuell entworfene Post-Processing durch Non-Maximum Suppression (NMS) ersetzt. Schließlich präsentieren wir den Unknown Object Detection Benchmark, den ersten öffentlich zugänglichen Benchmark, der nach unserem Wissen die Genauigkeitsevaluation für die Erkennung unbekannter Objekte umfasst. Experimente zeigen, dass unsere Methode deutlich besser ist als die existierenden Stand-of-the-Art-Methoden.