Este artículo ofrece una revisión exhaustiva del modelado de la incertidumbre en la segmentación semántica basada en aprendizaje profundo. A pesar de los recientes avances en la segmentación semántica, la mayoría de los modelos flexibilizan los supuestos bayesianos, omitiendo así información importante sobre la incertidumbre necesaria para la toma de decisiones. Esta dependencia de las estimaciones puntuales ha despertado el interés en la segmentación probabilística, pero la investigación relacionada sigue estando fragmentada. Este artículo integra y contextualiza los conceptos fundamentales del modelado de la incertidumbre, incluyendo la labor de distinguir la incertidumbre epistémica de la aleatoria, y destaca su papel en cuatro tareas principales de subsegmentación, como el aprendizaje activo. Proporciona una base sólida para los investigadores al integrar la teoría, la terminología y las aplicaciones, e identifica desafíos importantes como los supuestos sólidos de agregación espacial, la falta de puntos de referencia estandarizados y las dificultades de los métodos actuales de cuantificación de la incertidumbre. Observamos tendencias como la adopción de modelos generativos y el creciente interés en enfoques sin distribución ni muestreo para la estimación de la incertidumbre. También sugerimos estrategias para avanzar en la segmentación consciente de la incertidumbre en el aprendizaje profundo, incluyendo estrategias prácticas para separar diferentes fuentes de incertidumbre, nuevos enfoques de modelado de la incertidumbre y estructuras troncales mejoradas basadas en Transformers. En definitiva, nuestro objetivo es impulsar el desarrollo de modelos de segmentación más fiables, eficientes e interpretables.
