如前所述，一些全景分割模型通过保持从主干到最终密度图的信息而无需任何显式连接来生成分割掩模。在这种情况下，全景边缘检测（PED）用于解决新的细粒度任务，其中预测填充类的语义级边界以及实例类的实例级边界[93]。这提供了对场景的更和统一的理解。接下来，全景边缘（PEN）将内容和实例汇集到具有多个分支的单个中。而在[70]中，低填充率线性对象和无法识别边界框附近的像素的问题已被考虑在内。因此，可训练和分支的多任务架构已用于对全景分割的像素进行分组。

语义分割输出激光雷达的每个点云级别的物体分类信息，已经被众多自动驾驶系统深度使用。具体来说，点云的语义信息经过进一步处理，能够生成运动目标的实例级估计，加上静态环境的语义估计，就构成所谓的全景分割任务。点云语义同样能用来辅助运动物体的3D检测任务、自车的高精度、率的语义特征图层构建以及定位任务、静态道路认知中的车道线和路沿检测任务等等，应用可谓既深又广。因此，基于点云的语义分割和全景分割的研究价值非常巨大。

更多的应用场景：除了现有的植物识别、土地利用分类、病虫害检测、农作物生长监测、灾害评估等方面，全景一键分割还可以应用于农业机器人、施肥、智能农业等领域。

全景分割是实例和语义分割的融合，旨在区分场景中的事物。事实上，全景分割有两类，即thing和stuff。是指不可数的区域，如天空、人行道和地面。而thing包括所有可数的物体，例如汽车、人等。与实例分割和语义方法不同，在全景方法中，通过给每一个目标赋予不同的颜色，使其与其他目标区分开来，从而对thing进行分割，全景分割允许不同场景组件的良好可视化，并且可以作为包括各种场景部分的检测、定位和分类的全局技术来呈现。这生成了一个和实际的场景理解。

全景一键分割是一种基于深度学习的图像分割技术，可以将图像中的不同区域分割出来。在农业领域，全景一键分割可以应用于各种农业数据的处理和分析，包括植物识别、土地利用分类、病虫害检测、农作物生长监测、灾害评估等方面。