Debido a la gran carga computacional de las redes de segmentación semántica con decodificación y la compleja estructura del decodificador, se propone un modelo binario eficiente de segmentación semántica sin decodificador llamado DFNet. Este modelo elimina primero las complejas estructuras de decodificación y las conexiones en salto presentes en las redes de segmentación principales, utilizando un método de reconfiguración convolucional de upsampling para remodelar la codificación de características y obtener directamente resultados de segmentación, simplificando la estructura del modelo; luego, integra un mecanismo liviano de doble atención EC&SA en el codificador para mejorar la interacción entre la información de los canales y espacial de las características, fortaleciendo la capacidad de codificación de la red; finalmente, utiliza la pérdida PolyCE en lugar de la pérdida de segmentación convencional para resolver el problema del desequilibrio entre muestras positivas y negativas, mejorando la precisión de segmentación del modelo. Los resultados experimentales en los conjuntos de datos binarios DeepGlobe para segmentación de carreteras y CrackForest para detección de defectos muestran que la media de precisión F1 y la media de IoU de nuestro modelo alcanzan el 84.69% y 73.95%, respectivamente, con una velocidad de segmentación de hasta 94 FPS, superando ampliamente los modelos principales de segmentación semántica y mejorando enormemente la eficiencia de las tareas de segmentación.

segmentación binaria;reconfiguración convolucional de upsampling;EC&SA;PolyCE;segmentación de carreteras;detección de defectos