Face aux lourdes charges de calcul des réseaux de segmentation sémantique avec décodage et à la complexité des structures de décodage, un modèle efficace de segmentation binaire sans décodage, DFNet, est proposé. Ce modèle supprime tout d'abord les structures de décodage complexes et les connexions en saut présentes dans les réseaux de segmentation populaires, utilise une méthode de rééchantillonnage par convolution remodelée pour restructurer directement le codage des caractéristiques afin d'obtenir les résultats de segmentation, simplifiant ainsi la structure du réseau ; ensuite, il intègre un mécanisme léger d'attention double EC&SA dans l'encodeur afin d'améliorer l'interaction des informations canaux et spatiales des caractéristiques, renforçant la capacité d'encodage du réseau ; enfin, il remplace la perte classique de segmentation par la perte PolyCE, résolvant le problème du déséquilibre des échantillons positifs et négatifs et améliorant la précision de segmentation du modèle. Les résultats expérimentaux sur les ensembles de données de segmentation binaire DeepGlobe pour les routes et CrackForest pour la détection des défauts montrent que la moyenne F1 et la moyenne IoU du modèle atteignent respectivement 84,69 % et 73,95 %, avec une vitesse de segmentation allant jusqu'à 94 FPS, surpassant largement les modèles de segmentation sémantique courants, augmentant ainsi considérablement l'efficacité des tâches de segmentation.

segmentation binaire;rééchantillonnage par convolution remodelée;EC&SA;PolyCE;segmentation de routes;détection de défauts