نظرًا لأن العديد من الأنظمة الحيوية من حيث السلامة، مثل الروبوتات الجراحية والسيارات ذاتية القيادة، تعمل في بيئات غير مستقرة تتسم بضوضاء الاستشعار وبيانات غير كاملة، فمن المرغوب فيه أن تأخذ كاشفات الكائنات بعين الاعتبار عدم اليقين في التموضع. ومع ذلك، توجد عدة قيود في الطرق الحالية لتقدير عدم اليقين في الكشف القائم على الأطر (anchor-based). أولاً، تُدرَّس عدم اليقين في خصائص الكائنات غير المتجانسة ذات الخصائص والمقاييس المختلفة، مثل الموقع (نقطة الوسط) والمقاييس (العرض والارتفاع)، مما قد يصعب تقديره. ثانيًا، يتم تمثيل انحرافات المربعات (box offsets) كتوزيعات طبيعية (Gaussian)، وهو ما لا يتماشى مع مربعات الحدود الحقيقية (ground truth) التي تتبع توزيع ديراك دلتا (Dirac delta distribution). ثالثًا، نظرًا لأن الطرق القائمة على الأطر حساسة لمقاييس المعلمات (hyper-parameters)، فإن عدم اليقين في التموضع قد يكون أيضًا حساسًا للغاية لاختيار هذه المعلمات. لمعالجة هذه القيود، نقترح طريقة جديدة لتقدير عدم اليقين في التموضع تُسمى UAD، مصممة خصيصًا للكشف القائم على عدم الاعتماد على الأطر (anchor-free). تعتمد طريقتنا على التقاط عدم اليقين في أربع اتجاهات لانحرافات المربع (يسار، يمين، أعلى، أسفل)، وهي اتجاهات متجانسة، مما يسمح بتحديد الاتجاه الذي يُعاني من عدم يقين، وتقديم قيمة كمية لعدم اليقين في المدى [0, 1]. ولتمكين هذا التقدير، صممنا خسارة جديدة تُسمى "خسارة الاحتمال اللوغاريتمي بالقوة السالبة" (negative power log-likelihood loss)، التي تقيس عدم اليقين في التموضع من خلال وزن خسارة الاحتمال حسب معامل التداخل (IoU)، مما يخفف من مشكلة سوء تخصيص النموذج (model misspecification). علاوة على ذلك، نقترح خسارة تُراعي عدم اليقين (uncertainty-aware focal loss) لتعكس تقدير عدم اليقين في قيمة التصنيف. أظهرت النتائج التجريبية على مجموعة بيانات COCO تحسنًا ملحوظًا في أداء FCOS، بواقع ما يصل إلى 1.8 نقطة، دون التضحية بكفاءة الحسابية.