全景分割技术能够描述图像的场景内容并允许其深入理解，这有助于显著简化分析，提高性能，并为许多计算机视觉任务提供解决方案。我们可以在这些任务中找到视频监控、自动驾驶、医学图像分析、图像场景解析、地球科学和遥感。全景分割通过实现对特定目标的分析而无需检查图像的整个区域，从而允许这些应用，这减少了计算时间，限度地减少了对某些目标的漏检或识别，并确定了图像或视频中不同区域的边缘显著性。为了调查全景分割的发展，关于对things和stuff实现的相关任务，图2中描述了从二值分割和目标检测开始到全景分割结束的图像分割的时间线演变。通常，用于执行每项任务的流行也被突出显示。

值得注意的是，全景分割可用于其他研究领域，如生物学和农业，用于分析和分割图像。这是[72]的情况，其中全景分割用于猪的行为研究。尽管评估不会直接影响动物的正常行为，例如食物和水的消耗、乱扔垃圾、互动、攻击行为等。通常，物体和关键点检测器用于单独检测动物。然而，没有追踪到动物的轮廓，这导致了信息的丢失。全景分割通过使用不同的头和后处理方法的神经（用于语义分割）有效地分割了单个猪，以克服这个问题。实例分割掩码已用于估计动物的大小或重量。即使有脏镜头和遮挡，作者声称也达到了95%的准确率。此外，全景分割可用于可视化战场上隐藏的敌人，如[109]所述。

可以更加专注于检测较小的物体，去除不必要的小物体和其他杂项物体。此外，使用精确的边缘检测方法，可以将事物之间的分离用于良好的实例分割。这也将有助于提供一些实时全景分割技术。目前，目前部署的全景分割实时应用程序数量非常有限。因此，今后关注这一观点至关重要。此外，提高全景分割模型的性能并拓宽其应用是相关的未来方向，尤其是在数字健康、实时自动驾驶、场景重建和3D/4D点云语义分割方面。

如前所述，全景分割是语义和实例分割的组合，而语义分割是场景的上下文像素级标记，实例分割是该场景中包含的目标的标记。对于基于语义的像素，通过确定该像素属于哪个类别来对像素进行分类，其中实例分类利用目标检测的结果，然后进行精细级别分割，以在一个同质标签中标记目标像素。