主要引入了全景分割，以使目标检测过程更易于管理和准确[23]。目标检测是计算机视觉和图像处理的重要技术。它指的是在数字图像和视频中检测特定类别的语义目标（例如人类、建筑物或汽车）的实例。全景分割已经受到了新的和鲁棒的目标检测方案的显著关注[98，134，135]。

在全景分割的应用方面，人们倾向于自动驾驶、行人检测和医学图像分析（特别是使用组织病理学图像）。然而，新的应用机会正在出现，例如在军事部门，全景分割可以用来可视化战场上隐藏的敌人。另一方面，尽管全景分割的实时应用还很少，但人们对这一方向的兴趣越来越大。全景分割最显著的特征之一是它能够注释数据集，这显著减少了标注过程所需的计算时间。

在这种情况下，全景分割可以显著有助于识别这些物体（thing），例如，除了对行驶道路（stuff）进行分割之外，还可以读取标志并检测横穿道路的人，特别是在繁忙街道上[177]。图7说明了自动驾驶车辆全景分割的适用性示例。这也可以通过使用适当的计算板来实现，该计算板能够基于DL来训练全景分割模型，从而更好地将场景理解为整体而不是分段。

在不久的将来，全景分割被寄予了很大的希望，以改进医学图像分割。事实上，从医学图像中对癌细胞的无定形区域进行全景分割可以帮助医生检测和诊断疾病以及肿瘤的定位。这是因为不同癌细胞的形态学线索对于病理学家确定癌症分期非常重要。在这方面，全景分割有助于获得定量形态学信息，如[112]所示，其中提出了用于全景分割的端到端来分析病理图像。此外，虽然大多数现有的细胞分割方法基于语义级或实例级细胞分割，但全景分割方案统一了目标的检测和定位，并将像素级分类信息分配给具有大重叠的区域，例如背景。这有助于他们超越进的技术。

在农业数据处理中，全景一键分割可以帮助农业者快速准确地分割出农田、植物、病虫害等不同区域，提高了数据处理的效率和准确性。例如，在农作物生长监测中，全景一键分割可以自动分割出农田中的不同作物区域，快速准确地监测作物的生长情况；在病虫害检测中，全景一键分割可以自动分割出叶片和果实等部位的图像，快速准确地检测出病虫害的存在和程度。