본 논문은 심층 학습 기반 의미론적 분할에서의 불확실성 모델링에 대한 종합적인 검토를 제공합니다. 최근 의미론적 분할 분야의 발전에도 불구하고, 대부분의 모델은 베이지안 가정을 완화하여 의사결정에 필요한 중요한 불확실성 정보를 생략합니다. 이러한 점 추정에 대한 의존성은 확률적 분할에 대한 관심을 불러일으켰지만, 관련 연구는 여전히 단편적입니다. 본 논문은 인식론적 불확실성과 우연적 불확실성을 구분하는 작업을 포함한 불확실성 모델링의 기본 개념을 통합하고 문맥화하며, 능동 학습과 같은 네 가지 주요 하위 분할 작업에서의 역할을 강조합니다. 이론, 용어 및 응용 프로그램을 통합하여 연구자를 위한 일관된 기반을 제공하고, 공간 집계의 강력한 가정, 표준화된 벤치마크 부족 및 현재 불확실성 정량화 방법의 함정과 같은 중요한 과제를 확인합니다. 생성 모델 채택과 같은 추세와 불확실성 추정에 대한 분포 및 샘플링 없는 접근 방식에 대한 관심 증가를 관찰합니다. 또한, 서로 다른 불확실성 원인을 분리하기 위한 실용적인 전략, 새로운 불확실성 모델링 접근 방식 및 향상된 Transformer 기반 백본을 포함하여 심층 학습에서 불확실성 인식 분할을 발전시키기 위한 방향을 제시합니다. 궁극적으로 더 신뢰할 수 있고, 효율적이며, 해석 가능한 분할 모델의 개발을 지원하는 것을 목표로 합니다.
