Da viele sicherheitskritische Systeme, wie chirurgische Roboter und autonome Fahrzeuge, in instabilen Umgebungen mit Sensorrauschen und unvollständigen Daten operieren, ist es wünschenswert, dass Objektdetektoren die Lokalisationsunsicherheit berücksichtigen. Allerdings weisen die bestehenden Methoden zur Unsicherheitsschätzung für anchor-basierte Objektdetektion mehrere Einschränkungen auf: 1) Sie modellieren die Unsicherheit verschiedener, heterogener Objekteigenschaften mit unterschiedlichen Charakteristika und Skalen – beispielsweise Position (Mittelpunkt) und Skala (Breite, Höhe) – was eine schwierige Schätzung erschwert. 2) Sie modellieren die Box-Offsets als Gauß-Verteilungen, was mit den Ground-Truth-Bounding-Boxes nicht kompatibel ist, die der Dirac-Delta-Verteilung folgen. 3) Da anchor-basierte Methoden empfindlich gegenüber Anchor-Hyperparametern sind, kann auch ihre Lokalisationsunsicherheit stark von der Wahl dieser Hyperparameter abhängen. Um diese Einschränkungen zu überwinden, schlagen wir eine neue Methode zur Lokalisationsunsicherheitsschätzung namens UAD für anchor-freie Objektdetektion vor. Unsere Methode erfasst die Unsicherheit in vier Richtungen der Box-Offsets (links, rechts, oben, unten), die homogen sind, sodass sie angeben kann, in welcher Richtung die Unsicherheit liegt, und eine quantitative Unsicherheitsgröße im Intervall [0, 1] liefert. Um eine solche Unsicherheitsschätzung zu ermöglichen, entwickeln wir eine neue Unsicherheitsverlustfunktion, den negativen Potenz-Log-Likelihood-Verlust, der die Unsicherheit durch Gewichtung des Likelihood-Verlusts mit dem IoU misst und so das Problem der Modellmisspezifikation verringert. Darüber hinaus schlagen wir einen unsicherheitsbewussten Focal-Loss vor, um die geschätzte Unsicherheit in den Klassifikationswert einzubeziehen. Experimentelle Ergebnisse auf dem COCO-Datensatz zeigen, dass unsere Methode FCOS signifikant um bis zu 1,8 Punkte verbessert, ohne die Berechnungseffizienz zu beeinträchtigen.