本研究评估了三种不确定性量化方法，即深度集成，MC-Dropout 和 MC-DropConnect 在 DarkNet21Seg 3D 语义分割模型上的影响，并全面分析了各种参数对任务性能和不确定性估计质量的影响。研究发现，深度集成的表现在性能和不确定性度量方面优于其他方法，mIOU 提高了 2.4％，准确度提高了 1.3％，并提供可靠的不确定性来做出决策。

Jul, 2020

该论文提出了一种深度学习可扩展的确定性和不确定性评估框架，并对两种最先进的可扩展方法进行了比较，即集成和 MC-dropout，结果表明集成方法提供更可靠和实用的不确定性估计。

Jun, 2019

本文探究机器学习模型预测不确定性模拟的一种技术 Monte-Carlo Dropout 的聚类方法，并使用贝叶斯高斯混合模型来解决效率问题。同时研究了不同的 dropout rate，focal loss 和标度等技术，并将它们整合到 Mask-RCNN 模型中，以获得每个实例最准确的不确定性估计并进行图形展示。

May, 2023

本研究提出了基于区域的时间聚合方法，利用视频中的时间信息模拟样本采集过程，以实现在像素级和帧级度量上与 Monte Carlo dropout 相媲美的不确定性估计，同时比使用 Monte Carlo dropout 快 10 倍。

Jul, 2018

研究探索了在深度神经网络中基于蒙特卡罗 Dropout 的多种不确定性估计方法，提供了四种不同的体素级别的不确定性度量，可用于医学图像中的病变检测和分割。经实验结果表明，使用不确定性度量能够比仅使用网络的 Sigmoid 输出作为概率选择更好的操作点。

Aug, 2018

本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。

Aug, 2020

本研究介绍了一种新方法 Deep Uncertainty Distillation using Ensembles for Segmentation (DUDES)，它能够高效地进行深度神经网络的预测不确定性估计，而不会牺牲性能，以解决自动驾驶、医学图像和机器视觉应用中模型可靠性不足的问题。

Mar, 2023

提出一种用于概率像素级语义分割的深度学习框架 ——Bayesian SegNet，可以在测试时间执行带有丢弃的蒙特卡罗采样，以生成像素类标签的后验分布，从而改善小数据集的语义分割性能，提高 2-3% 的性能。

Nov, 2015

对于集成预测不确定性以提高深度学习患者安全性的图像分类器，我们评估了两种不同的方法。我们发现，这些方法使用光学相干断层扫描的数据集训练，能够得出更可靠的结果，有望提高患者安全性。

Aug, 2019

本文介绍了基于贝叶斯全卷积神经网络的脑分割的有效质量控制的固有度量方法，使用模型不确定性进行有效蒙特卡罗采样来生成体素级不确定性图和三个结构级不确定度量标准，并将这些结构级不确定性度量标准加入到群体分析中作为信心度量，因此提供自动化质量控制和群体分析的方法，可用于大规模数据库的处理。

Apr, 2018