على الرغم من أن الكشف عن الأهداف البارزة والكشف عن الأهداف المتنكرّة يمتلكان خصائص بصرية متعارضة، إلا أن كلاهما يتطلب دقة عالية في تجزئة الحواف. ومع ذلك، غالبًا ما تواجه الطرق الحالية قيوداً في الأداء بسبب تحيز الخصائص أثناء التعميم عبر المهام. لذلك، يقترح هذا البحث نموذج تجزئة عام SAM2-UFFM. يستخدم هذا النموذج شبكة العمود الفقري Hiera الخاصة بـ SAM2 كالمشفر، من خلال تجميد معلمات التدريب المسبق وإدخال محول خفيف الوزن، يحقق التعديل الدقيق للنموذج بكفاءة عالية، مع الحفاظ الكامل على قدرة التعبير القوي للخصائص؛ وتخلى عن بنية U-Net التقليدية، وصمم فك ترميز AttUNet، الذي يدمج المعلومات على جميع المستويات الفعالة عبر اتصالات القفز متعددة المقاييس، ما يعالج مشكلة فقدان المعلومات؛ يقترح وحدة انتباه توازن الخصائص، وبالتزامن مع وحدة تحسين التكامل التكميلية للخصائص، يوازن ديناميكيًا بين الدلالة العالمية والتفاصيل المحلية، مع تعزيز الإدراك العالمي للأهداف البارزة والتجزئة الدقيقة لحواف الأهداف المتنكرة، بالإضافة إلى استراتيجية الإشراف العميق لمنع التجزئة المفرطة. تظهر النتائج التجريبية أن هذا النموذج يتفوق على الطرق الحالية المتقدمة في ثلاثة مجموعات بيانات عامة. حيث تحسن مقياس الهيكلية بنسبة 1.02% و1.83% على مجموعات بيانات COD و SOD على التوالي، وانخفض متوسط الخطأ المطلق إلى 0.035 و0.018. علاوة على ذلك، في مهمة تجزئة عيوب سطح الصلب، ارتفع مؤشر IoU بنسبة 2.77%، مما يثبت فعالية التعميم عبر المجالات للنموذج.

تجزئة الصور;الأهداف البارزة;الأهداف المتنكرة;SAM2;آلية الانتباه