感知的重要性：通过不确定性感知增强具身化人工智能的语义分割

本文研究了视觉主动学习任务，通过选择性的视野请求注释来探索三维环境，以获取场景理解。

开发了一系列智能体，配备语义分割网络，使用深度强化学习和奖励函数优化任务性能和注释数据请求。

提出了一种用于预测不确定性量化的基准测试方法，发现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，增强模型对高不确定性像素的关注。

讨论了使用现代神经网络进行多目标检测的方法，考虑了检测方法的不确定性和校准方法。

提出了一种基于深度学习的新方法，通过考虑预测中的不确定性来感知车辆环境，展示了更优秀的表现。

提出了一种基于模型无关且不共享模型信息的多智能体感知框架，消除模型差异性对性能的负面影响。

提出了一个机械模型，模拟动态实景中的对象分割和凝视行为，展示了不确定性如何促进均衡的探索。

探讨了如何通过四项指标提高轻量级模型的可靠性，使用集合计算的实例级别不确定性掩码来提高少数类别的性能。

提出一种有效的方法，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。