1. 复现DeepEST结果（acc + tests）
    2. 需要加的baseline：DeepGini、CAM（Coverage：NAC NBC SNAC KMNC TKNC LSC DSC）、CTM（Coverage：NAC NBC SNAC）
    3. 单类精度
    4. 改进现有的acc方法中的采样方式

    关于ACC
    结合killNum和pcs对测试用例重新进行排序
    原来的选择方法：仅利用killNum对测试用例进行排序，然后根据分层，选择每层中killNum值最大的样本（不具有随机性，但是实验验证比在层内随机选择效果好）
    现有的选择方法：
    kpi = killNum × (1- w×pcs)
    killNum和pcs均需进行归一化处理，w的值可以根据实验效果来确定

    1. pcs值较低的测试用例相较于pcs值较高的测试用例更容易杀死变异模型
    2. 效果优于仅使用killNum进行排序继而选择的结果。
    3. 进一步优化selection的效果

    关于DeepEST的单类精度计算
    假设其他方法的采样个数为100-1000，间隔为100
    先依据模型对样本的预测将其分为十份（类别数目是10），分别对每一份样本单独引用deepest得出单类精度，但是这个时候每一类采样的个数是多少呢❓100÷10❓按单类样本占整个测试集的比例分配❓
    Findings：直接在单类内选择要优于整体选择然后进行单类统计

    • NAC：神经元激活覆盖率
    • SNAC：神经元的值大于upper_bound的概率
    • NBC：神经元的值小于lower_bound或者大于upper_bound的概率（总数为神经元个数*2）
    • KMNC：将输出区间划分成k个部分，覆盖部分数与部分总数之比（少数的测试用例的输出没有落入这个区间、区间的少数部分也可能没有被覆盖过）
    • TKNC：每一层的前k活跃的神经元总数与DNN中的神经元总数的比率
    • LSA：
    • DSA：