提出了一种基于证据的语义映射方法，通过将证据深度学习集成到语义分割网络中，获得语义预测的不确定性估计，并将此不确定性融入到一个能够在感知性环境具有挑战性的场景中提高可靠性的不确定性感知成核推理中，通过自适应处理语义不确定性，在之前未见过的环境中构建了强健的环境表达，详尽的实验证明了该框架在高感知不确定性场景中提高了准确性和鲁棒性，始终优于现有方法。

Mar, 2024

我们在本文中，开发了一个用于不确定环境下实时语义映射的模块化神经网络，该网络明确地更新神经网络层中的每个体素的概率分布。我们的方法结合了经典概率算法的可靠性和现代神经网络的性能和效率。我们通过将语义分割预测在线地引入到三维地图中，通过深度卷积层利用共轭先验，引入了一种新颖的卷积贝叶斯核推断 (ConvBKI) 层。我们与最先进的深度学习方法和概率算法进行了比较，以评估可靠性和性能。我们还创建了一个 ConvBKI 的 Robot Operating System (ROS) 包，并在现实世界具有感知挑战性的越野驾驶数据上进行了测试。

Oct, 2023

通过执行多尺度的激光雷达 - 图像融合，结合使用不确定性感知的伪标签，提高 RGB 图像和单次激光雷达扫描产生的语义地形图的准确性，进而在具有挑战性的越野环境中实现可靠和安全的自主导航。

Mar, 2024

通过将证据理论引入半监督医学图像分割，以在单次前向传递中推理准确的不确定性量化为目的，提出了命名为 EVIL 的确定性推理学习方法。该方法使用一致性正则化训练范式，通过对扰动预测的一致性进行约束来增强少量标记数据的泛化能力。实验结果表明，EVIL 在公共数据集上与几种最先进的方法相比取得了竞争性的性能。

Jul, 2023

该论文提出了一种对连接数据消息中的认知不确定性进行建模以及根据碰撞概率的置信度对连接事件进行分类的方法，该方法基于证据的 Dempster-Shafer 理论，假设观测到的连接数据消息来自于一组未知分布，利用 Dvoretzky-Kiefer-Wolfowitz 不等式构建了这组未知分布的稳健界限，并从时间序列的连接数据消息构建了 Dempster-Shafer 理论结构，该结构包含了连接数据消息的不确定性，并允许计算给定碰撞概率实现的置信度和可信度。本文提出的方法在几个真实事件上进行了测试，并与欧洲和法国航天局的现有做法进行了比较。

Jan, 2024

本文提出了一种基于贝叶斯方法的连续三维语义占用地图构建方法，通过对贝叶斯内核推理模型的推广，从二进制问题到多类问题，实现了统一的概率模型和采用贝叶斯空间内核推理来提高地图构建的性能，同时在多序列数据上得到了较好的效果。

Sep, 2019

本论文提出了一种新的模型，结合了 Dempster-Shafer Theory 和 Evidence 的拓扑模型，可以根据不同标准计算代理的（可能）不同的信念程度，并解决了计算这些程度的问题的 #P-complete 问题。

Jun, 2023

本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标，并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。

Jun, 2020

使用 Dempster-Shafer 理论构建的集成模型解决深度学习中的不确定性问题，通过特征提取、信任度计算、融合和效用计算等步骤，该方法在 CIFAR-10 和 CIFAR-100 数据集上进行的实验展示了显著的分类准确性提升，相较于最佳单一预训练模型分别提高了 5.4% 和 8.4%。结果突出了 Dempster-Shafer 理论在将深度学习应用于现实世界情景中处理数据不确定性方面的潜力。

May, 2024

这篇论文介绍了一种用于预测不确定性量化的基准测试方法，通过评估不同方法在三个流行数据集上对于识别被错分和不适当类别像素、以及校准的有效性，发现证据深度学习方法在高效量化不确定性方面表现最有潜力，提出了适用于高度不平衡数据的 Uncertainty-Focal-Cross-Entropy (UFCE) 损失函数，以及增强模型对高不确定性像素关注的缺空缩放规则项能够提高确定性不确定性量化。

May, 2024