本論文は,深層学習ベースのセマンティックスプリットにおける不確実性モデリングの包括的なレビューを提供する。最近のセマンティックセグメンテーションの進歩にもかかわらず、ほとんどのモデルはベイズの仮定を緩和し、意思決定に必要な重要な不確実性情報を省きます。これらの点推定への依存は確率的分割に関心をもたらしたが、関連する研究は依然として断片的である。本論文は,認識論的不確実性と偶然的不確実性を区別する作業を含む不確実性モデリングの基本概念を統合し,文脈化し,能動学習のような4つの主要なサブ分割作業における役割を強調する。理論、用語、およびアプリケーションを統合して、研究者のための一貫した基盤を提供し、空間集約の強力な仮定、標準化されたベンチマークの欠如、および現在の不確実性の定量化方法の落とし穴などの重要な課題を特定します。生成モデルの採用などの傾向と不確実性推定の分布、およびサンプリングのないアプローチに対する関心の増加を観察します。また、さまざまな不確実性原因を分離するための実用的な戦略、新しい不確実性モデリングアプローチ、および強化されたTransformerベースのバックボーンを含む、深層学習における不確実性認識分割を進めるための方向性を提示します。最終的に、より信頼性が高く、効率的で、解釈可能な分割モデルの開発を支援することを目指しています。
