本文提出了利用证据学习来直接估计分类和回归不确定性的新颖的不确定性感知的 2D 对象检测框架 EvCenterNet，旨在应用于自动驾驶等安全关键环境中，以提供有价值的信息。该方法使用证据和 Focal 损失函数的组合来处理稀疏热力图输入的类不平衡问题，并提出了一种学习方案来利用预测的热力图不确定性来提高检测性能。实验结果表明，这种方法与基准模型相比，提高了精度并最小化了执行时间损失。

Mar, 2023

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

本文提出一种有效的方法，可以在一阶段目标检测器中同时估计不确定性和改善检测性能，应用于智能车辆的环境感知任务中的物体检测。实验结果表明我们的系统所输出的不确定性程度与检测准确度和行人遮挡水平有关。

May, 2019

应用于自动驾驶和手术机器人等许多安全关键应用中，从对象检测模块获取预测不确定性以帮助支持安全决策是可取的。本文中我们介绍了一种方法用于解决单个对象定位任务的边界框的不确定性问题。我们使用现有技术来校准回归模型，实验表明所得出的校准模型得到了更可靠的不确定性估计。

Nov, 2018

本文提出了一种新方法，通过后验采样的贝叶斯不确定性估计为 nnU-Net 的医学图像分割提供可靠性度量，同时通过较多的后验模型优化分割性能。在 ACDC 和 M&M 心脏 MRI 数据集上的实证表明，该方法比 Monte Carlo Dropout 和平均场贝叶斯神经网络在不确定性估计上表现得更好，同时不影响 NNu-Net 架构的性能。

Dec, 2022

提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。

Jul, 2019

本文提出了一种新的 UAD 方法，用于解决锚点法中现有不确定性评估方法的限制，通过在框偏移的四个方向（左、右、上、下）中捕获不确定性，一定程度上解决了现有方法中对异构目标性质的建模不准确、对误差的估计不准确等问题。

Jun, 2020