我們知道特斯拉曾經(jīng)發(fā)生過(guò)一些自動(dòng)駕駛事故導(dǎo)致車(chē)毀人亡的事件，原因就是物體檢測(cè)（Object Detection）的不穩(wěn)定性或者說(shuō)是基于Deep Learning或Machine Learning檢測(cè)模型的不穩(wěn)定 性 不穩(wěn)定的原因主要表現(xiàn)在以下方面：一、數(shù)據(jù)的長(zhǎng)尾分布問(wèn)題，極端樣例（Corner Case）出現(xiàn)的概率非常小，但是根據(jù)大數(shù)定律在一個(gè)充分長(zhǎng)的時(shí)間里Corner Case一定會(huì)發(fā)生，而在 Corner Case樣本很少時(shí)模型無(wú)法學(xué)習(xí)到檢測(cè)這些物體。二、模型本身的不穩(wěn)定性，這種不穩(wěn)定表現(xiàn)在即便待學(xué)習(xí)的物體有大量的樣本，那么也會(huì)出現(xiàn)無(wú)法檢測(cè)的現(xiàn)象，這種現(xiàn)象叫 AdversarialAttack（對(duì)抗攻擊），甚至檢測(cè)正確的樣本修改一個(gè)像素也可能導(dǎo)致被檢測(cè)的概率大幅下降。三、是分類(lèi)（Classification）算法的局限性，分類(lèi)算法只能分類(lèi)訓(xùn)練數(shù)據(jù)內(nèi)的有 限類(lèi)別，這會(huì)導(dǎo)致未見(jiàn)過(guò)類(lèi)別（UnseenCategory）的漏檢問(wèn)題。四、困難樣本問(wèn)題（Hard Sample），檢測(cè)或分類(lèi)在邊界樣例情況的不確定性