Aunque la detección de objetos sobresalientes y la detección de objetos camuflados tienen características visuales opuestas, ambas requieren una alta precisión en la segmentación de bordes. Sin embargo, los métodos existentes a menudo enfrentan limitaciones de rendimiento debido a preferencias de características únicas al generalizar entre tareas. Por ello, este artículo propone un modelo de segmentación universal SAM2-UFFM. Este modelo utiliza la red Hiera de SAM2 como codificador, mediante la congelación de parámetros preentrenados e introducción de adaptadores livianos, logrando un ajuste fino de parámetros eficiente y conservando completamente la poderosa capacidad de expresión de características; abandona la arquitectura tradicional U-Net y diseña un decodificador AttUNet que realiza una fusión eficiente de información a escala completa a través de conexiones de salto a todas las escalas, resolviendo eficazmente el problema de la pérdida de información; propone un módulo de atención de equilibrio de características y, combinado con un módulo de refinamiento complementario de características, equilibra dinámicamente la semántica global y los detalles locales, reforzando posteriormente la percepción global de los objetos sobresalientes y la segmentación precisa de los bordes de los objetos camuflados, además de apoyarse en una estrategia de supervisión profunda para evitar la sobresegmentación. Los resultados experimentales muestran que este modelo supera a los métodos avanzados existentes en tres conjuntos de datos públicos. Las métricas estructurales en los conjuntos de COD y SOD mejoraron en un 1.02% y 1.83% respectivamente, y el error absoluto medio disminuyó a 0.035 y 0.018. Además, en la tarea de segmentación de defectos en la superficie del acero, el IoU aumentó en un 2.77%, validando eficazmente la capacidad de generalización en diferentes dominios del modelo.

segmentación de imágenes;objetos sobresalientes;objetos camuflados;SAM2;mecanismo de atención