Embora a detecção de objetos salientes e a detecção de objetos disfarçados apresentem características visuais opostas, ambas exigem alta precisão na segmentação de bordas. No entanto, os métodos existentes frequentemente enfrentam limitações de desempenho devido à preferência por características únicas ao se generalizar entre tarefas. Para isso, este artigo propõe um modelo de segmentação universal SAM2-UFFM. O modelo utiliza a rede Hiera do SAM2 como codificador, por meio do congelamento dos parâmetros pré-treinados e da introdução de adaptadores leves, realizando um ajuste eficiente dos parâmetros, preservando completamente a forte capacidade de expressão das características; abandona a arquitetura tradicional U-Net, projetando um decodificador AttUNet que realiza a fusão eficiente de informações em todas as escalas por meio de conexões skip em todas as escalas, resolvendo eficazmente o problema da perda de informações; propõe um módulo de atenção de equilíbrio de características, combinado com um módulo complementar de refinamento de características, equilibrando dinamicamente a semântica global e os detalhes locais, fortalecendo subsequentemente a percepção global dos objetos salientes e a segmentação precisa das bordas dos objetos disfarçados, apoiado por uma estratégia de supervisão profunda que previne 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, 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%, validando eficazmente a capacidade de generalização entre domínios do modelo.

segmentação de imagens;objetos salientes;objetos disfarçados;SAM2;mecanismo de atenção