Disjoint 10 1

Disjoint 10-1 ist eine Bewertungsmethode im Bereich der Computer Vision, die entwickelt wurde, um die Generalisierungsfähigkeit eines Modells auf unbekannte Daten streng zu testen und zu bewerten. Dabei wird der Datensatz in zwei vollständig disjunkte Teile geteilt: einen für das Training und einen für das Testen. Dies stellt sicher, dass die Leistung des Modells auf neue Kategorien authentischer und verlässlicher ist. Die Methode hat erheblichen Anwendungswert, insbesondere bei der Verbesserung der Robustheit und Anpassungsfähigkeit von Modellen in Szenarien wie Open-World-Erkennung und Zero-Shot-Lernen.