Um die Herausforderungen der Extraktion von Gebäuden mit variabler Form und ungenauem Kantenextrakt zu bewältigen, wird ein integriertes zweigeteiltes Netzwerk zur Extraktion von Gebäuden vorgeschlagen, das die Trennung des Hauptkörpers und entfernter Kanten sowie die Extraktion von Informationen in mehreren Maßstäben integriert. Der erste Teil verwendet das Dekompositionsprinzip und die Optikflusstechnologie, um die Trennung des Hauptkörpers und der Kanten zu erreichen und die Fähigkeit zur Darstellung der Kanten von Gebäuden zu stärken. Der zweite Teil basiert auf der Verwendung von dilatierten Faltungen, tiefen separierbaren Faltungen und Aufmerksamkeitsmechanismen, um ein leichtgewichtiges, mehrskaliges Extraktionselement zu erstellen, das die Merkmale von Gebäuden in verschiedenen Maßstäben vollständig extrahiert. Schließlich, durch die Kombination der erhaltenen Haupt- und Kantenmerkmale, wird eine verbesserte Hilfsverlustfunktion verwendet, um den Netzwerk-Trainingsprozess zu optimieren. Die Ergebnisse von Experimenten an zwei öffentlichen Datensätzen zur Extraktion von Gebäuden zeigen, dass das vorgeschlagene Netzwerk zur Extraktion von Gebäuden wirksam ist.

Fernerkundung; Gebäudeextraktion; Deep Learning; U-Net; Trennung des Hauptkörpers und der Kante; Zweig; Multi-Scale; Lightweight