Diante da grande carga computacional das redes de segmentação semântica com decodificação e da estrutura complexa do decodificador, propõe-se um modelo binário eficiente de segmentação semântica sem decodificador, denominado DFNet. Este modelo remove primeiramente as estruturas complexas de decodificação e as conexões de salto presentes nas redes de segmentação convencionais, utilizando um método de upsampling com remodelagem convolucional para remodelar diretamente a codificação de características e obter resultados de segmentação, simplificando a estrutura da rede; em seguida, incorpora um mecanismo leve de atenção dupla EC&SA no codificador para aprimorar a interação das informações de canal e espacial das características, fortalecendo a capacidade de codificação da rede; por fim, utiliza a perda PolyCE em substituição à perda de segmentação convencional para resolver o problema do desequilíbrio entre amostras positivas e negativas, melhorando a precisão da segmentação do modelo. Os resultados experimentais em conjuntos de dados binários como o DeepGlobe para segmentação de estradas e CrackForest para detecção de defeitos mostram que a média do F1 score e do IoU do modelo atingem 84,69% e 73,95%, respectivamente, com uma velocidade de segmentação de até 94 FPS, superando em muito os modelos convencionais de segmentação semântica e aumentando significativamente a eficiência das tarefas de segmentação.

segmentação binária;upsampling com remodelagem convolucional;EC&SA;PolyCE;segmentação de estradas;detecção de defeitos