Bien que la détection des objets saillants et la détection des objets camouflés présentent des caractéristiques visuelles opposées, elles exigent toutes deux une très haute précision dans la segmentation des frontières. Cependant, les méthodes existantes rencontrent souvent des limitations de performance dues à des préférences uniques des caractéristiques lors de la généralisation inter-tâches. Pour cela, cet article propose un modèle de segmentation universel SAM2-UFFM. Ce modèle utilise le réseau à colonne vertébrale Hiera de SAM2 comme encodeur, en gelant les paramètres pré-entraînés et en introduisant des adaptateurs légers, réalisant un ajustement efficace des paramètres tout en conservant pleinement la puissante capacité d'expression des caractéristiques ; il abandonne l'architecture traditionnelle U-Net et conçoit un décodeur AttUNet qui, grâce à des connexions de saut à toutes les échelles, réalise une fusion efficace de l'information multi-échelle, résolvant efficacement le problème de perte d'information ; il propose un module d'attention à équilibre des caractéristiques, combiné à un module de raffinage complémentaire des caractéristiques, équilibrant dynamiquement la sémantique globale et les détails locaux, renforçant ensuite la perception globale des objets saillants et la segmentation fine des frontières des objets camouflés, tout en accompagnant cela d'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 publiques. Les mesures structurelles sur les ensembles COD et SOD ont augmenté respectivement de 1,02 % et 1,83 %, 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 %, validant efficacement la capacité de généralisation inter-domaines du modèle.

segmentation d'images;objets saillants;objets camouflés;SAM2;mécanisme d'attention