التعلم العميق كان ثوريًا لرؤية الحاسوب وتحديد المعاني البكلياتي بشكل خاص، حيث يتم استخدام التعلم العميق البيزي (BDL) للحصول على خرائط عدم اليقين من النماذج العميقة عند التنبؤ بالفئات الدلالية. هذه المعلومات حاسمة عند استخدام تقنيات تحديد المعاني البكلياتي في القيادة الذاتية على سبيل المثال. تتوفر مقاييس تقييم محددة ومعترف بها لأنظمة تحديد المعاني البكلياتي القياسية. ومع ذلك، مع ازدياد شعبية BDL في رؤية الحاسوب، أصبح هناك حاجة لمقاييس جديدة لتقييم ما إذا كانت طريقة BDL تنتج تقديرات أفضل لعدم اليقين مقارنة بطرق أخرى. في هذا البحث، نقترح ثلاثة مقاييس لتقييم نماذج BDL المصممة خصيصًا للمهمة البكلياتية لتحديد المعاني. قمنا بتعديل شبكة العصبونات العميقة DeepLab-v3+، وهي واحدة من أحدث شبكات العصبونات العميقة، وخلقنا نظيرها البيزي باستخدام تقنيتي الاستدلال MC dropout وConcrete dropout. ثم قمنا بمقارنة واختبار هاتين التقنيتين على مجموعة البيانات الشهيرة Cityscapes باستخدام المقاييس المقترحة لدينا. توفر نتائجنا معايير جديدة للباحثين للمقارنة وتقييم تحسيناتهم في كمية عدم اليقين بهدف تحقيق تحديد معاني أكثر أمانًا.