本研究提出了BAFNet，解决了大型语义分割网络在有限样本和计算资源下的应用挑战。BAFNet通过双路径设计和多尺度局部注意力，提高了城市遥感图像分割的效率和精度。实验结果表明，BAFNet在多个数据集上超越了轻量级模型，并与非轻量级方法相当。

该研究提出了一种语义分割网络，能够在单次前向传递中生成高质量的不确定性估计。通过基于掩膜图像建模（MIM）方法，利用基础模型和无标签数据的通用表示来解决增强超参数问题，使得方法更简洁。在多个测试领域上对该方法进行了测试，并且在城市、乡村和越野驾驶领域的SAX分割基准数据集上，该方法始终优于不确定性估计和超出分布技术。