인코딩-디코딩 방식의 의미론적 분할 네트워크의 높은 계산량과 복잡한 디코딩 구조 문제를 해결하기 위해 효율적인 비디코딩 이진 의미론적 분할 모델 DFNet을 제안한다. 이 모델은 먼저 주류 분할 네트워크에서 복잡한 디코딩 구조와 스킵 연결을 제거하고, 컨볼루션 리쉐이핑 업샘플링 방식을 사용하여 특징 인코딩을 직접 재구성하여 분할 결과를 얻어 네트워크 구조를 단순화한다. 다음으로 인코더에서 경량 이중 주의 메커니즘 EC&SA를 융합하여 특징 인코딩의 채널 및 공간 정보 상호작용을 향상하고 네트워크의 인코딩 능력을 강화한다. 마지막으로 기존 분할 손실 대신 PolyCE 손실을 사용하여 긍정 및 부정 샘플 불균형 문제를 해결하고 모델의 분할 정확도를 높인다. DeepGlobe 도로 분할과 CrackForest 결함 감지 등의 이진 분할 데이터셋에서의 실험 결과, 본 모델은 분할 정확도 F1 평균 및 IoU 평균이 각각 84.69%와 73.95%에 달하며, 분할 속도는 최대 94 FPS로 주류 의미론적 분할 모델을 크게 능가하여 분할 작업 효율을 크게 향상시킨다.

이진 분할;컨볼루션 리쉐이핑 업샘플링;EC&SA;PolyCE;도로 분할;결함 감지