La segmentación de los vasos retinianos juega un papel esencial en el reconocimiento temprano de enfermedades oftálmicas en clínicas. Cada vez más, los enfoques basados en aprendizaje profundo han estado mejorando el rendimiento de la segmentación de vasos, sin embargo, sigue siendo un problema desafiante debido a la estructura compleja de los vasos retinianos y la falta de muestras etiquetadas con precisión. En este artículo, proponemos una red de fusión de atención de doble eje de aprendizaje a su propio ritmo (SPDAA-Net). En primer lugar, se diseña un mecanismo de aprendizaje a su propio ritmo utilizando un algoritmo de consulta por comité para guiar al modelo a aprender de fácil a difícil, lo que hace que el entrenamiento del modelo sea más inteligente. En segundo lugar, durante la fusión de características a múltiples escalas, se desarrolla un mecanismo de atención de doble eje compuesto por atención de altura y ancho para percibir el objeto, lo que aporta dependencias a largo plazo mientras se reduce la complejidad computacional. Además, se aplica la aumentación de datos CutMix para aumentar la generalización del modelo, mejorar la capacidad de reconocimiento de características globales y locales y, en última instancia, aumentar la precisión. Realizamos experimentos exhaustivos que validan que nuestro SPDAA-Net obtiene un rendimiento notable en los conjuntos de datos públicos DRIVE y CHASE-DB1.