Deep Learning bietet einen effektiven Ansatz zur Extraktion von Gebäuden aus Fernerkundungsbildern, aber wenn die Verteilung der Trainingsdaten (Quellbereich) und der Testdaten (Zielbereich) unterschiedlich ist, führt die direkte Anwendung eines nur auf dem Quellbereich trainierten Modells im Zielbereich zu einem signifikanten Genauigkeitsverlust. Die Methode der Domänenanpassung für Gebäudextraktion kann die Unterschiede in der Datenverteilung zwischen den Domänen überwinden und die Fähigkeit zur Erkennung von Gebäudeinformationen unter verschiedenen Umgebungen verbessern. Aufgrund der Schwierigkeit, Zielbereichsetiketten zu erhalten, und der hohen Annotationskosten bei der Gebäudedomänenanpassung sowie der unzureichenden Nutzung der invarianten Eigenschaften von Gebäuden zur Bereitstellung domänenübergreifender Konsistenzbeschränkungen in aktuellen Methoden, schlägt dieser Artikel eine Methode zur Gebäudedomänenanpassung in Fernerkundungsbildern vor, die durch Formen- und Positionsvorwissen geleitet wird. Zunächst werden Gebäudeecken im Zielbereich automatisch unter Verwendung des Gebäudeindex, der Harris-Methode und anderer Methoden extrahiert, und mithilfe morphologischer Bildmethoden werden die Kanten der mit Labels versehenen Gebäude im Quellbereich extrahiert, die als Formen-Vorwissen für beide Domänen dienen. Anschließend wird eine auf der Gauß-Transformation basierende Methode zur Extraktion von Positionsvorwissen entwickelt, bei der OSM-Objekte des Zielbereichs und gelabelte Objekte des Quellbereichs jeweils in positionsbasiertes Vorwissen beider Domänen umgewandelt werden. Schließlich wird das oben erwähnte Formen-Vorwissen verwendet, um eine Form-Verlustfunktion zu konstruieren, während gleichzeitig Trainingsbeschränkungen für Gebäudeobjekte in beiden Domänen bereitgestellt werden. Das positionsbasierte Vorwissen beider Domänen wird als unabhäniger zusätzlicher Kanal überlagert und bildet eine 4-Kanal-Eingabe, die die Informationen der Gebäude im Zielbereich bereichert. Basierend darauf wurde das domänenadaptierende Gebäudemodell AU_AdaptNet entwickelt, das auf adversarialem Lernen beruht. Experimentelle Ergebnisse zeigen, dass der IoU-Wert der vorgeschlagenen Methode um 15 % höher ist als der des Basis-Modells ohne Domänenanpassung, um 6 % höher als der eines Domänenanpassungsmodells ohne Vorwissen-Leitung, und selbst ohne OSM-Daten im Zielbereich kann die Genauigkeit der Gebäudedomänenanpassung nur durch Leitung mittels Formen-Vorwissen verbessert werden. Unter Bedingungen niedriger OSM-Datenintegrität im Zielbereich sind vergleichbare Ergebnisse mit halbüberwachten Domänenanpassungsmethoden möglich, die hochwertige Labels im Zielbereich verwenden.

Gebäudeextraktion; Domänenanpassung; Fernerkundungsbilder; Vorwissen; OSM