本文探讨了基于概率的方式，采用已预训练网络的 Logit 层得分计算分布来进行物体识别，表明与 SoftMax 和 Sigmoid 相比，最大似然和最大后验函数更适合进行这种概率化解释，实现了良好的性能和可解释性。同时，由于这种方法可以在现有训练好的网络上实施，无需再进行训练。

Feb, 2022

本文介绍了两种轻量级的方法，使具有概率性的深层网络的监督学习变得实用，首先，我们建议使用分类和回归的概率性输出层，其对现有网络只需进行最小的更改，其次，我们使用假设密度过滤（assumed density filtering）并展示如何将激活不确定性以实用的方式传播到整个网络中，这两种概率性网络保留了确定性网络的预测能力，但产生与其预测引起的经验误差相关的不确定性。

May, 2018

本研究提出基于卷积神经网络的物体检测系统，使用基于贝叶斯优化的搜索算法和结构化 loss 进行物体定位，实验证明两种方法的结合优于先前的最先进方法。

Apr, 2015

该研究提出了一种基于深度卷积对象检测器的自动驾驶应用程序，该检测器还估计了每个检测到的对象的分类、姿态和形状不确定性。

Jan, 2019

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

该论文提出了一种新的图像分类解释方法 SGLRP，可以成功地定位和归因于目标对象的分类，实证表明它比现有的基于 LRP 的方法更有效。

Aug, 2019

本文提出了一种新的学习框架，称为卷积原型学习（CPL），以处理卷积神经网络（CNN）对开放世界识别问题的鲁棒性不足，其中采用了多个分类标准进行网络训练，提出了原型损失（PL）作为正则化以改善特征表示的内部类紧凑性，在多个数据集上实验表明 CPL 可以比传统 CNN 实现可比甚至更好的结果，并且 CPL 在拒绝和增量类别学习任务方面具有明显优势。

May, 2018

本技术报告在安全关键应用中，研究了用于图像分类的经过训练的卷积神经网络（CNN）的验证结果。通过使用 ANSI/UL 4600 和 ISO 21448 等新标准，结合现有标准 EN 50128 和 EN 50129，证明了类似 Grade of Automation (GoA) 4 的货运自动列车系统确实可以被认证。此外，通过传感器 / 感知器融合，进行了系统级危险率的定量分析，以满足可接受的安全完整性等级（SIL-3）。对 CNN 模型进行了数学分析，从中识别出分类集群和等价类，划分了 CNN 的图像输入空间。利用这些集群和类别，介绍了一种新的统计测试方法，用于确定经过训练的 CNN 的剩余误差概率及其相关的上限置信度。我们认为，考虑到 CNN 模型的内部结构，这种灰箱方法对于证明统计测试全面覆盖了训练过的 CNN 及其神经元和层间映射是至关重要的。

Dec, 2023

该研究提出了一种新型的 OpenMax 模型，通过引入 Meta-Recognition 概念到网络的倒数第二层的激活模式中，估计输入图像来自未知类别的概率，从而实现深度学习神经网络的开放式识别，极大地提高了开放式识别准确性。

Nov, 2015