La red neuronal de picos (SNN) presenta ventajas distintas en términos de bajo consumo de energía debido a su naturaleza basada en eventos. Sin embargo, está limitada a tareas simples de visión por computadora porque el entrenamiento directo de SNNs es desafiante. En este estudio, proponemos una arquitectura híbrida llamada red neuronal convolucional completamente de picos (SFCNN) para ampliar la aplicación de SNNs en el campo de la segmentación semántica. Para entrenar la SNN, empleamos el método de gradiente sustituto junto con retropropagación. La precisión de la intersección media sobre unión (mIoU) para el conjunto de datos VOC2012 es mayor que la de las FCNs de picos existentes en casi un 30%. La precisión de mIoU puede alcanzar el 39.6%. Además, la propuesta híbrida SFCNN logró un excelente rendimiento de segmentación para otros conjuntos de datos como COCO2017, DRIVE y Cityscapes. Nuestro SFCNN híbrido es una contribución valiosa e interesante para ampliar la funcionalidad de las SNNs, especialmente para aplicaciones con restricciones de energía.