神经网络在实时目标检测算法中越来越受欢迎。这些算法的一个主要问题是其量化自身不确定性的能力，这导致了许多备受瞩目的失败。本研究提出了三种新型实时检测算法。第一种是利用贝叶斯卷积神经层并产生预测分布，第二种是利用前几帧的预测，第三种是将这两种技术结合在一起的模型。这些增强技术旨在缓解现代检测算法的校准问题。将这三种模型与最先进的 YOLO 架构进行了比较；竞争最激烈的模型的精确度提高了 0.6%，而召回率降低了 3.7%。这项研究还对神经网络在不确定情况下的表现进行了调查，并提供了深入见解。研究表明，对于一个给定的类别，注释总数比平均值每增加 0.92%，对象检测模型对该类出现误报的可能性就会增加 0.7%。因此，这项研究表明，神经网络在不确定实际分类情况时，会遵从训练中出现频率最高的类别。