두드러진 객체 검출과 위장 객체 검출은 시각적 특징이 상반되지만, 둘 다 경계 분할 정확도에 매우 높은 요구를 둔다. 그러나 기존 방법들은 작업 간 일반화 시 단일 특징 선호로 인해 성능 병목 현상을 겪는 경우가 많다. 이에 본 논문에서는 범용 분할 모델 SAM2-UFFM을 제안한다. 본 모델은 SAM2의 Hiera 백본 네트워크를 인코더로 사용하며, 사전 학습된 파라미터를 동결하고 경량 어댑터를 도입하여 파라미터 효율적 미세 조정을 실현하고, 강력한 특징 표현력을 완전하게 유지한다; 전통적인 U-Net 구조를 버리고 AttUNet 디코더를 설계하여, 전 스케일 점프 연결을 통해 전 스케일 정보의 효율적 융합을 이루어 정보 손실 문제를 효과적으로 해결한다; 특징 균형 주의 모듈을 제안하고 특징 상호 보완 정제 모듈과 결합하여 전역 의미와 지역 세부를 동적으로 균형 조절하며, 이후 두드러진 객체의 전역 인식과 위장 객체의 경계 정밀 분할을 대상으로 강화하고, 과분할을 방지하기 위한 심층 감독 전략을 보조한다. 실험 결과 3개의 공개 데이터셋에서 본 모델이 기존 최첨단 방법보다 종합 성능이 우수함을 보였다. COD 및 SOD 데이터셋에서 구조적 지표가 각각 1.02%와 1.83% 향상되었고, 평균 절대 오차가 0.035와 0.018로 감소하였다. 또한, 강재 표면 결함 분할 작업에서 IoU가 2.77% 상승하여 모델의 분야 간 일반화 능력을 효과적으로 검증하였다.

영상 분할;두드러진 객체;위장 객체;SAM2;주의 메커니즘