研究通过非最大抑制等后处理技术对物体检测模型信心率校准的影响，发现后处理技术高度影响信心率校准，导致过度信任且因此被错误校准的模型。

Jan, 2021

本研究探讨了一种后处理校准置信度分数的方法，提出了NorCal，基于训练样本大小来重新加权每个类别的预测分数，通过将背景类别和每个候选区域上类别的分数进行归一化来在长尾场景下增强性能，这种方法可以显著提高几乎所有基线模型的表现。

Jul, 2021

本文研究目标检测模型的可靠空间不确定性评估，并介绍了常见检测网络的校准属性，并扩展了最新的校准方法。我们使用高斯过程（GP）重新校准方案，通过捕捉相邻样本之间的依赖关系，获得参数分布输出。此外，我们使用GP重新校准方案进行协方差估计，实现联合多元校准，并引入基于马氏距离的量化校准误差进行测量。在实验中，我们发现普通检测模型在空间不确定性方面存在高估问题，而简单的Isotonic回归校准方法足以实现校准分位数。

Jul, 2022

本文讨论了使用现代神经网络进行多目标检测的方法，并考虑了该检测方法的不确定性。作者提出了一些对象定位的精度检测方法，并研究了对检测误差的影响。该文章还讨论了空间不确定性的问题，并介绍了一些校准方法。最后，作者结合以往方法，展示了在车辆自动驾驶等场景中实现定位校准的应用。

Feb, 2023

本文针对深度神经网络(DNNs)对于物体检测模型的校准问题，提出了一种新的辅助损失函数公式来对齐边界框类别置信度和准确性，并通过在多个基准数据集上的实验验证其有效性。

Mar, 2023

本文使用新的训练技术，利用预测不确定性联合校准多类置信度和边界框定位，在多个数据集中测试表明，该方法可以有效地提高现代物体检测方法的校准性能。

Jun, 2023

本文介绍了一个名为SAOD的任务，它是一种统一的测试框架，旨在针对自主驾驶等安全关键环境中物体检测器所面临的挑战，并解决了当前测试物体检测器鲁棒性的方法所存在的问题，并引入了新颖的度量和大规模测试数据集来测试多个物体检测器，最终引入一个简单的基线，以便为研究人员提供基准测试方法。

Jul, 2023

本研究提出了一个理论和实践框架，用于评估不确定性校准的对象检测系统，通过一系列的实验表明了所提出的不确定性校准度量的稳健性。

Sep, 2023

该研究论文探讨了在深度神经网络中定义和估计检测校准误差的挑战，并提出了一种一致且可微的检测校准误差估计器，利用核密度估计，实验证明该估计器在保持相似检测性能的同时，对竞争的训练时和事后校准方法更为有效。

Dec, 2023

使用物体探测器需要进行校准，本研究针对最近的评估框架、评估指标和校准方法存在的问题进行了分析，并提出了一种基于准确度和校准性能同时评估物体探测器的原则性评估框架，以及为物体检测任务量身定制的高效且易于使用的校准方法。实验证明，相较于最近的训练时校准方法，后处理校准器更强大和有效。

May, 2024