Embora as características visuais da detecção de alvos salientes e camuflados sejam opostas, ambas exigem alta precisão na segmentação de bordas. No entanto, os métodos existentes frequentemente enfrentam gargalos de desempenho ao generalizar entre tarefas devido à preferência por características únicas. Para isso, este artigo propõe um modelo de segmentação universal chamado SAM2-UFFM. Este modelo utiliza a rede backbone Hiera do SAM2 como codificador, congelando os parâmetros pré-treinados e introduzindo um adaptador leve para realizar um ajuste fino eficiente de parâmetros, retendo completamente a poderosa capacidade de expressão das características; abandona a arquitetura tradicional U-Net, projetando um decodificador AttUNet que, por meio de conexões de salto em toda a escala, realiza uma fusão eficiente de informações em todas as escalas, resolvendo efetivamente o problema de perda de informação; propõe um módulo de atenção de equilíbrio de características, combinado com um módulo de refinamento complementar de características, equilibrando dinamicamente a semântica global e os detalhes locais, fortalecendo posteriormente a percepção global dos alvos salientes e a segmentação precisa das bordas dos alvos camuflados, apoiado por uma estratégia de supervisão profunda para evitar a supersegmentação. Os resultados experimentais mostram que o modelo supera os métodos avançados existentes em três conjuntos de dados públicos. As métricas estruturais nos conjuntos COD e SOD melhoraram 1,02% e 1,83%, respectivamente, em comparação com o melhor modelo existente, e o erro absoluto médio diminuiu para 0,035 e 0,018. Além disso, na tarefa de segmentação de defeitos em superfícies de aço, o IoU aumentou 2,77%, o que valida efetivamente a capacidade de generalização do modelo entre domínios.

segmentação de imagem; alvo saliente; alvo camuflado; SAM2; mecanismo de atenção