本文主要介绍使用新的评估指标（PDQ）和一个新的合成图像数据集评估目标检测方法的概率目标检测挑战。作者使用了经过微调的 Mask-RCNN 以及一些额外的后处理方法，最终在排行榜中得到了第二名的成绩，并且获得了最高的空间质量和平均检测质量，这可以为以后的研究提供强有力的基线。

Aug, 2019

这篇论文对深度学习中目标检测中的不确定性估计进行了综述和比较研究，着重关注了自动驾驶应用中的概率物体检测方法，提供了用于公共数据集的显式比较研究，并讨论了该领域面临的挑战和未来工作。

Nov, 2020

本研究利用以前方法估计地面真实边框参量的不确定性来改进激光雷达概率目标检测器的检测准确性。实验结果表明，我们的方法在平均精度方面比基线模型和基于简单启发式方法的模型提高了高达 3.6%。

Aug, 2020

本文提出了一种基于概率模型和强大搜索框架的卷积神经网络探测器，旨在解决区域信息浪费和效率与准确性之间的权衡问题，通过将图像映射为对象的概率分布，该模型以更少的计算量提供更丰富的输出，并在 FDDB 上进行了一系列实验证明了该模型的可靠性、效率和解析性。

Aug, 2018

本文提出了一种通过 LiDAR 点云估算边界框标签不确定性的生成模型，并定义了一种新的概率边界框表示方法，进而提出了一种基于 Jaccard IoU 的新的评价指标，该模型在 KITTI 和 Waymo Open 数据集上被证明是优于传统 IoU 的评价指标， 对于概率目标检测器的评估具有高度准确性。

Mar, 2020

依据生成模型从 LiDAR 点云中推断出边界框标签的不确定性，并通过空间不确定度分布定义了概率边界框的新表示，提出了一种新的评价指标 Jaccard IoU (JIoU)，并应用于几个基于 LiDAR 的目标检测器的深入比较中，并将提出的标签不确定性结合到损失函数中，以训练概率目标检测器并提高其检测精度。

Dec, 2020

本文提出了一种基于混合密度网络的深度主动学习方法，该方法通过对定位和分类器的输出估计概率分布并明确估计模型的不确定性，使用一种特殊得分函数将这两种不确定性聚合在一起以获取每个图像的信息量分数，通过 PASCAL VOC 和 MS-COCO 数据集的实验证明了该方法在物体检测方面的有效性，性能优于单模型和多模型方法，而计算成本仅为之前方法的一小部分。

Mar, 2021

本文提出了一种方法，通过考虑地面真实标定数据中的潜在噪声，改善学习概率分布的能力，从而提高自动驾驶探测器的准确性和物体检测性能。

Oct, 2019

该文通过构建几何相关图，利用概率表示来解决单目三维检测的问题，从而提高了检测性能并保持实时性的有效性。

Jul, 2021

对象检测中的空间偏差问题通过区域评估协议得到量化研究结果，发现对象检测器在图像边界附近表现不佳，进一步的启发性实验揭示了空间偏差的本质，即不同区域对象的数据模式差异形成了明显的性能差距，为解决该问题提出了一种空间不平衡的检测能力方向，并通过广泛评估了 10 个流行对象检测器和 5 个检测数据集来揭示对象检测的空间偏差问题，提高检测稳健性。

Oct, 2023