本研究提出了一种基于专家分歧引导的不确定性估计方法（EDUE），用于医学图像分割，通过利用多个评分者对地面事实标注的变异性，我们在训练过程中引导模型，并结合基于随机抽样的策略来增强校准置信度，我们的方法在图像和像素级别上与专家分歧相比，平均相关性分别提高了 55% 和 23%，具有更好的校准性能，并且相较于最先进的深度集合，在只需进行单次前向传递的情况下，具有具有竞争性的分割性能。

Mar, 2024

开发基于 Evidential Deep Learning (EDL) 的不确定性估计框架的第一个方法，通过引入 MEDL-U，该框架不仅生成伪标签，而且量化相关的不确定性。实验证明，使用 MEDL-U 训练的概率性探测器在 KITTI 验证集中的所有难度级别上超过之前的 3D 注释器的确定性探测器，并在 KITTI 官方测试集上实现了最先进的结果。

Sep, 2023

本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

Jul, 2019

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

本文提出了一种名为 DMUE 的方法来解决面部表情识别中令人困惑的注释模糊性问题，它从潜在分布挖掘和成对不确定性估计两个角度入手，引入了一个辅助的多分支学习框架来更好地挖掘和描述标签空间中的潜在分布，并充分利用不同实例之间的语义特征对成对模糊程度进行评估，而且该方法不依赖于主干架构，并且不会增加额外的推演负担。在流行的真实世界基准测试和合成嘈杂数据集上，DMUE 稳定地实现了领先的性能。

Apr, 2021

为解决深度学习算法在临床应用中缺乏透明度的问题，研究提出了一种基于不确定性引导标注的框架，通过量化不确定性和开放临床人员指导，实现自动质量控制，提高算法性能。

Feb, 2024

本文提出了一种新的基于不确定性引导的多源标注网络（UMA-Net）用于从多个标注中直接学习医学图像分割，UMA-Net 由 UNet、一个注释不确定性估计模块（AUEM）和一个质量评估模块（QAM）组成，实验结果证明 UMA-Net 优于现有方法。

Apr, 2023

Multi-modal fusion technique incorporating uncertainties through Uncertainty-Encoded Mixture-of-Experts (UMoE) improves object detection performance in extreme weather, adversarial, and blinding attack scenarios for autonomous driving.

Jul, 2023

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

神经网络误差驱动不确定性感知训练（EUAT）技术提供了更高质量的不确定性估计，优于现有的不确定性估计方法，并能在构建可信的二分类器和分布数据转换时产生更可靠的结果。

May, 2024