Als Antwort auf die Schwierigkeiten bei der Gebäudeextraktion, die mit der Formvariabilität und der ungenauen Extraktion von Grenzen zusammenhängen, schlagen wir ein integriertes zweigiges Gebäudeextraktionsnetzwerk vor, um die Hauptkanten zu trennen und Informationen in mehreren Maßstäben zu extrahieren. Zunächst haben wir unter Verwendung des Dekompositionsansatzes und der optischen Flusstechnologie einen Hauptkanten-Trennungsast entworfen, um die Haupt- und Kantenmerkmale von Gebäuden zu erhalten und die Fähigkeit zur Darstellung der Grenzen von Gebäuden zu verstärken. Dann haben wir auf der Grundlage von Dilated Convolution, Depthwise Separable Convolution und Attention Mechanism einen leichten Ast für die Extraktion von Mehrskaleninformationen aufgebaut, um die Merkmale von Gebäuden in verschiedenen Maßstäben vollständig zu extrahieren. Schließlich schlagen wir unter Verwendung der extrahierten Haupt- und Kantenmerkmale eine Verlustfunktion vor, die durch verstärkte Haupt- und Kantenmerkmale optimiert wird, um den Trainingsprozess des Netzwerks zu optimieren. Die Ergebnisse von Experimenten an gängigen öffentlichen Datensätzen zur Gebäudeextraktion zeigen, dass das vorgeschlagene Gebäudeextraktionsnetzwerk effektiv und machbar ist.

Fernerkundung; Gebäudeextraktion; Deep Learning; U-Net; Trennung der Hauptkanten; Zweig; Multiskalen; leichtgewichtig