基于Monte-Carlo Dropout手法对YOLOv3汇集架构举办了安排，使得对象检测算法正在识别物体的同时，量化获得相应的认知不确定性。

本文还愚弄认知不确定性对算法置信度举办了更正。屈从不确定度高时置信度应调低，不确定度低时置信度应调高的顺序，正在安排更正因子时担保希望稳固。结果评释，更正后的均匀置信度公众半情状都达成了向切实率的逼近，仅正在样本少且漏检众的cyclist种别显露了失误。

运用更正后的置信度举办mAP等对象检测算法评议目标的企图，优化后的对象检测算法mAP评议体例如Fig. 1所示。

将SOTIF场景库供应给对象检测算法识别，场景库中有近三百张从车辆视角获取的图片加入了测试，涵盖了差别志途、差别季候、差别光阴、差别气候的众元化场景。尝试结果验证了所提手法的可行性和有用性。

Peng, L., Wang, H. & Li, J.: Automotive Innovation (2021)

汽车测试网-建设于2008年，报道汽车测试身手与产物、趋向、动态等 闭系邮箱 marketing#auto-testing.net (把#改成@)