Хотя обнаружение заметных объектов и обнаружение замаскированных объектов имеют противоположные визуальные характеристики, оба требуют очень высокой точности сегментации границ. Однако существующие методы часто сталкиваются с ограничениями производительности из-за односторонних предпочтений признаков при обобщении между задачами. В связи с этим в данной работе предлагается универсальная модель сегментации SAM2-UFFM. Модель использует иерархическую сеть SAM2 в качестве кодировщика, обеспечивая эффективную точечную настройку параметров за счет заморозки предварительно обученных весов и введения легковесных адаптеров, полностью сохраняя мощную способность к представлению признаков; отказалась от традиционной архитектуры U-Net и разработала декодер AttUNet, который посредством многомасштабных пропускных соединений эффективно объединяет информацию на всех масштабах, эффективно решая проблему потери информации; предложен модуль внимания балансировки признаков в сочетании с модулем дополнительного уточнения признаков, который динамически балансирует глобальную семантику и локальные детали, целенаправленно усиливая глобальное восприятие заметных объектов и точную сегментацию границ замаскированных объектов, дополнительно использована стратегия глубинного надзора для предотвращения чрезмерной сегментации. Экспериментальные результаты показывают, что модель превосходит существующие передовые методы на трех публичных наборах данных. Структурные метрики на наборах COD и SOD улучшены на 1,02% и 1,83% соответственно, средняя абсолютная ошибка снижена до 0,035 и 0,018. Кроме того, в задаче сегментации дефектов поверхности стали индекс IoU увеличился на 2,77%, что эффективно подтверждает способность модели к обобщению в различных областях.

сегментация изображений;заметные объекты;замаскированные объекты;SAM2;механизм внимания