Angesichts des hohen Rechenaufwands semantischer Segmentierungsnetzwerke mit Dekodierung und der komplexen Dekodierstruktur wird ein effizientes binäres semantisches Segmentierungsmodell ohne Dekodierung namens DFNet vorgeschlagen. Dieses Modell entfernt zunächst die komplexen Dekodierstrukturen und Sprungverbindungen in gängigen Segmentierungsnetzwerken, verwendet eine konvolutionelle Umstrukturierung der Hochskalierung, um die Merkmal-Codierung direkt umzubauen und Segmentierungsergebnisse zu erzielen, wodurch die Netzwerkstruktur vereinfacht wird; zweitens integriert es in den Encoder einen leichten doppelten Aufmerksamkeitsmechanismus EC&SA, um den Informationsaustausch von Kanal- und Raumdaten der Merkmale zu verbessern und die Codierungsfähigkeit des Netzwerks zu stärken; schließlich wird der PolyCE-Verlust anstelle des herkömmlichen Segmentierungsverlusts verwendet, um das Problem des Ungleichgewichts von positiven und negativen Proben zu lösen und die Segmentierungsgenauigkeit des Modells zu verbessern. Die experimentellen Ergebnisse auf binären Segmentierungsdatensätzen wie DeepGlobe für die Straßensegmentierung und CrackForest für die Defekterkennung zeigen, dass der durchschnittliche F1-Score und der durchschnittliche IoU unseres Modells 84,69 % bzw. 73,95 % erreichen und die Segmentierungsgeschwindigkeit bis zu 94 FPS beträgt, was die gängigen semantischen Segmentierungsmodelle bei weitem übertrifft und die Effizienz von Segmentierungsaufgaben erheblich erhöht.

binäre Segmentierung;konvolutionelle Umstrukturierung der Hochskalierung;EC&SA;PolyCE;Straßensegmentierung;Defekterkennung