تشخیص اشیای رهاشده در ویدئوهای نظارتی به دقت بسیار بالا نیاز دارد، در حالی‌که برای استقرار در دنیای واقعی باید هزینه‌ی محاسباتی پایین نیز حفظ شود. ما یک چارچوب دو‌مرحله‌ای پیشنهاد می‌کنیم که ابتدا با استفاده از مدل‌سازی پس‌زمینه‌ی مخلوط گاوسی (GMM) ، نواحی ساکنِ مورد علاقه (ROI) را استخراج می‌کند، سپس یک راهبرد آبشاریِ راستی‌آزمایی هدایت‌شده توسط عدم‌قطعیت را به کار می‌گیرد: یک آشکارساز سبک‌وزنِ YOLO تشخیص‌های اولیه را ارائه می‌دهد و Fast R-CNN فقط برای نامزدهای کم‌اطمینان به‌صورت انتخابی فراخوانی می‌شود. این پالایش مبتنی بر عدم‌قطعیت، پایداری روش را در صحنه‌های شلوغ و دارای بهم‌ریختگی افزایش می‌دهد و نسبت به حالتی که همیشه از ترکیبِ دو آشکارساز به‌صورت دائمی استفاده شود، از اجرای غیرضروری مرحله‌ی دوم جلوگیری کرده و هزینه‌ی محاسباتی را کاهش می‌دهد. آزمایش‌ها روی مجموعه‌داده‌ی AVSS2007، به دقت ۹۴.۸٪، بازخوانی ۹۷.۰٪ و امتیاز F1 برابر 95.9٪ در سطح فریم دست می‌یابد و در سطح شیء، دقت و بازخوانی ۹۲.۳٪ و۹۶.۵٪ را با IoU ≥ 0.5 ثبت می‌کند. روی مجموعه‌داده‌یPETS2006 نیز به دقت ۸۵.۴٪، بازخوانی ۸۸.۱٪ و F1 برابر ۸۶.۷٪ در سطح فریم می‌رسد و در سطح شیء، دقت و بازخوانی ۸۳.۲٪ و۸۷.۵٪ را به دست می‌آورد. تحت ارزیابی IoU = 0.5 ، این روش به امتیازهای F1 برابر ۹۲.۱٪ (AVSS2007) و ۸۸.۸٪ (PETS2006) می‌رسد و از چندین روش پایه از جمله YOLOv8 بهتر عمل می‌کند. همچنین در میان ۵۰۰ تصویر انتخاب‌شده‌ی تصادفی از PETS2006، AVSS2007 و ABODA، مدل پیشنهادی به میانگین دقت ۹۹.۲۵٪ و AUC برابر ۰.۹۶۱ دست یافته که نشان‌دهنده‌ی توان تفکیک‌پذیری بالای آن است.