Bien que les caractéristiques visuelles de la détection des objets saillants et des objets camouflés soient opposées, les deux exigent une précision élevée dans la segmentation des frontières. Cependant, les méthodes existantes rencontrent souvent des limitations de performance lors de la généralisation inter-tâches en raison d’une préférence pour des caractéristiques uniformes. À cet égard, cet article propose un modèle de segmentation universel SAM2-UFFM. Ce modèle utilise le réseau backbone Hiera de SAM2 comme encodeur, en gelant les paramètres pré-entraînés et en introduisant un adaptateur léger, réalisant une fine-tuning efficace des paramètres tout en conservant pleinement une forte capacité d’expression des caractéristiques; il abandonne l’architecture traditionnelle U-Net et conçoit un décodeur AttUNet qui, via des connexions de saut à toutes les échelles, permet une fusion efficace de l’information à toutes les échelles et résout efficacement le problème de la perte d’information; il propose un module d’attention d’équilibrage des caractéristiques, combiné à un module de raffinage complémentaire des caractéristiques, qui équilibre dynamiquement la sémantique globale et les détails locaux, renforce ensuite spécifiquement la perception globale des objets saillants et la segmentation précise des frontières des objets camouflés, et s’appuie en même temps sur une stratégie de supervision profonde pour éviter la sur-segmentation. Les résultats expérimentaux montrent que ce modèle surpasse les méthodes avancées existantes sur trois ensembles de données publics. Les métriques structurelles sur les ensembles COD et SOD ont respectivement augmenté de 1,02% et 1,83% par rapport au meilleur modèle existant, et l’erreur absolue moyenne est tombée à 0,035 et 0,018. De plus, dans la tâche de segmentation des défauts de surface de l’acier, l’IoU a augmenté de 2,77%, ce qui confirme efficacement la capacité de généralisation inter-domaines du modèle.

segmentation d’image; objet saillant; objet camouflé; SAM2; mécanisme d’attention