如前所述，一些全景分割模型通過保持從主干到最終密度圖的信息而無需任何顯式連接來生成分割掩模。在這種情況下，全景邊緣檢測（PED）用于解決新的細(xì)粒度任務(wù)，其中預(yù)測填充類的語義級邊界以及實例類的實例級邊界[93]。這提供了對場景的更和統(tǒng)一的理解。接下來，全景邊緣（PEN）將內(nèi)容和實例匯集到具有多個分支的單個中。而在[70]中，低填充率線性對象和無法識別邊界框附近的像素的問題已被考慮在內(nèi)。因此，可訓(xùn)練和分支的多任務(wù)架構(gòu)已用于對全景分割的像素進(jìn)行分組。

語義分割輸出激光雷達(dá)的每個點云級別的物體分類信息，已經(jīng)被眾多自動駕駛系統(tǒng)深度使用。具體來說，點云的語義信息經(jīng)過進(jìn)一步處理，能夠生成運(yùn)動目標(biāo)的實例級估計，加上靜態(tài)環(huán)境的語義估計，就構(gòu)成所謂的全景分割任務(wù)。點云語義同樣能用來輔助運(yùn)動物體的3D檢測任務(wù)、自車的高精度、率的語義特征圖層構(gòu)建以及定位任務(wù)、靜態(tài)道路認(rèn)知中的車道線和路沿檢測任務(wù)等等，應(yīng)用可謂既深又廣。因此，基于點云的語義分割和全景分割的研究價值非常巨大。

更多的應(yīng)用場景：除了現(xiàn)有的植物識別、土地利用分類、病蟲害檢測、農(nóng)作物生長監(jiān)測、災(zāi)害評估等方面，全景一鍵分割還可以應(yīng)用于農(nóng)業(yè)機(jī)器人、施肥、智能農(nóng)業(yè)等領(lǐng)域。

全景分割是實例和語義分割的融合，旨在區(qū)分場景中的事物。事實上，全景分割有兩類，即thing和stuff。是指不可數(shù)的區(qū)域，如天空、人行道和地面。而thing包括所有可數(shù)的物體，例如汽車、人等。與實例分割和語義方法不同，在全景方法中，通過給每一個目標(biāo)賦予不同的顏色，使其與其他目標(biāo)區(qū)分開來，從而對thing進(jìn)行分割，全景分割允許不同場景組件的良好可視化，并且可以作為包括各種場景部分的檢測、定位和分類的全局技術(shù)來呈現(xiàn)。這生成了一個和實際的場景理解。

全景一鍵分割是一種基于深度學(xué)習(xí)的圖像分割技術(shù)，可以將圖像中的不同區(qū)域分割出來。在農(nóng)業(yè)領(lǐng)域，全景一鍵分割可以應(yīng)用于各種農(nóng)業(yè)數(shù)據(jù)的處理和分析，包括植物識別、土地利用分類、病蟲害檢測、農(nóng)作物生長監(jiān)測、災(zāi)害評估等方面。