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

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

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

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

提出了一种动态锚点学习方法（DAL），通过全新定义匹配度评估锚点的定位潜力，实现有效标签分配并动态选择高质量锚点以实现准确目标检测，结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。

Dec, 2020

这篇论文提出了一种新的采样免费的不确定性估计方法，称为 CertainNet，旨在为自主驾驶对象检测中的物体性，类别，位置和大小提供分离的不确定性，该方法使用了一个不确定性感知的热图，并利用检测器提供的相邻边界框，同时也提出了一种评估位置和大小不确定性的新指标。

Oct, 2021

通过引入条件对抗学习，基于不确定性度量的领域自适应网络 (UaDAN) 能够适应性地分别对齐良好对齐和不良对齐的样本，在图像级别和实例级别逐步实现吸收知识，显著优于现有方法。

Feb, 2021

用于半监督三维物体检测的侧面感知框架，通过三个关键设计（三维边界框参数化方法、不确定性估计模块和伪标签选择策略）共同工作，显式地估计每个侧面的定位质量并在训练阶段分配不同级别的重要性，实验证明这种方法能在不同场景和评估指标下始终优于基准模型。此外，我们的方法在三个具有不同标记比例的数据集上达到了最先进的性能。

Dec, 2023

该论文提出了一种基于物体感知的无锚点跟踪网络，通过直接预测目标对象的位置和规模，以及引入功能对齐模块来从预测的边界框中学习物体感知特征，从而提高跟踪鲁棒性和精度。实验证明，该跟踪器在五个基准测试中均取得了最先进的性能。

Jun, 2020

基于概率目标检测的定位不确定性估计的 2D MOT 方法在自动驾驶中能有效减少误检以及提升 MOTA。

Feb, 2024