全景分割技術能夠描述圖像的場景內容并允許其深入理解，這有助于顯著簡化分析，提高性能，并為許多計算機視覺任務提供解決方案。我們可以在這些任務中找到視頻監控、自動駕駛、醫學圖像分析、圖像場景解析、地球科學和遙感。全景分割通過實現對特定目標的分析而無需檢查圖像的整個區域，從而允許這些應用，這減少了計算時間，限度地減少了對某些目標的漏檢或識別，并確定了圖像或視頻中不同區域的邊緣顯著性。為了調查全景分割的發展，關于對things和stuff實現的相關任務，圖2中描述了從二值分割和目標檢測開始到全景分割結束的圖像分割的時間線演變。通常，用于執行每項任務的流行也被突出顯示。

值得注意的是，全景分割可用于其他研究領域，如生物學和農業，用于分析和分割圖像。這是[72]的情況，其中全景分割用于豬的行為研究。盡管評估不會直接影響動物的正常行為，例如食物和水的消耗、亂扔垃圾、互動、攻擊行為等。通常，物體和關鍵點檢測器用于單獨檢測動物。然而，沒有追蹤到動物的輪廓，這導致了信息的丟失。全景分割通過使用不同的頭和后處理方法的神經（用于語義分割）有效地分割了單個豬，以克服這個問題。實例分割掩碼已用于估計動物的大小或重量。即使有臟鏡頭和遮擋，作者聲稱也達到了95%的準確率。此外，全景分割可用于可視化戰場上隱藏的敵人，如[109]所述。

可以更加專注于檢測較小的物體，去除不必要的小物體和其他雜項物體。此外，使用精確的邊緣檢測方法，可以將事物之間的分離用于良好的實例分割。這也將有助于提供一些實時全景分割技術。目前，目前部署的全景分割實時應用程序數量非常有限。因此，今后關注這一觀點至關重要。此外，提高全景分割模型的性能并拓寬其應用是相關的未來方向，尤其是在數字健康、實時自動駕駛、場景重建和3D/4D點云語義分割方面。

如前所述，全景分割是語義和實例分割的組合，而語義分割是場景的上下文像素級標記，實例分割是該場景中包含的目標的標記。對于基于語義的像素，通過確定該像素屬于哪個類別來對像素進行分類，其中實例分類利用目標檢測的結果，然后進行精細級別分割，以在一個同質標簽中標記目標像素。