В связи с высокой вычислительной нагрузкой семантических сетей сегментации с декодером и сложной структурой декодера предложена эффективная бинарная модель семантической сегментации без декодера DFNet. Эта модель сначала устраняет сложные структуры декодера и пропуски, характерные для основных сетей сегментации, используя конволюционную реструктуризацию при увеличении, чтобы напрямую получать результаты сегментации через кодирование признаков, упрощая структуру сети; затем во встроенном кодировщике интегрируется легкая двойная механизм внимания EC&SA для повышения взаимодействия каналов и пространственной информации признаков, улучшая кодирующую способность сети; наконец, используется функция потерь PolyCE вместо обычных сегментационных потерь для решения проблемы несбалансированности положительных и отрицательных образцов, что повышает точность сегментации модели. Экспериментальные результаты на бинарных датасетах сегментации DeepGlobe для дорог и CrackForest для обнаружения дефектов показывают, что среднее значение F1 и среднее IoU модели достигают 84.69% и 73.95% соответственно, а скорость сегментации достигает 94 FPS, существенно превосходя основные модели семантической сегментации и значительно повышая эффективность задач сегментации.

бинарная сегментация;конволюционная реструктуризация увеличения;EC&SA;PolyCE;сегментация дорог;обнаружение дефектов