Deep Learning bietet einen effektiven Ansatz zur Extraktion von Gebäuden aus Fernerkundungsbildern. Wenn Trainingsdaten (Quelldomäne) und Testdaten (Zieldomäne) unterschiedlich verteilt sind, führt die direkte Anwendung eines nur aus der Quelldomäne trainierten Modells auf die Zieldomäne zu einer deutlichen Genauigkeitsabnahme. Die Methode zur Anpassung der Gebäudedomäne kann die Unterschiede in den Datenverteilungen zwischen den Domänen überwinden und die Erkennungsfähigkeit von Gebäudeinformationen in verschiedenen Umgebungen verbessern. Angesichts der Schwierigkeit, in der Methode zur Anpassung der Gebäudedomäne Etiketten aus der Zieldomäne zu erhalten und der hohen Kennzeichnungskosten sowie dem derzeitigen Problem, dass die invariante Eigenschaften von Gebäuden nicht ausreichend genutzt werden, um konsistente Einschränkungen zwischen den Domänen bereitzustellen, schlägt dieser Artikel eine Methode zur Anpassung der Gebäudedomäne in Fernerkundungsbildern vor, die von Form- und Positionsprioritätsinformationen geleitet wird. Zunächst werden automatisch Eckpunkte von Gebäuden in der Zieldomäne mithilfe von Gebäudeindizes, Harris-Methoden usw. extrahiert und Formprioritätsinformationen aus Kanten von Gebäudeetiketten in der Quelldomäne unter Verwendung von Bildmorphismusmethoden gewonnen. Der nächste Schritt besteht in der Gestaltung einer Positionsprioritätsinformationsextraktionsmethode, die auf der Gauss-Transformation basiert, wobei die OSM-Objekte der Zieldomäne und die Labelobjekte der Quelldomäne als Positionsprioritätsinformationen für beide Domänen umgesetzt werden. Schließlich wird die Formprioritätsinformation zur Konstruktion einer Formverlustfunktion verwendet und gleichzeitig in beiden Domänen die Gebäudeziele mit Trainingsbeschränkungen versehen, wobei die Positionsprioritätsinformationen für beide Domänen als unabhängige zusätzliche Kanäle zur Bildschicht zusammengesetzt werden, um die 4-Kanal-Eingabe zu bilden und die Gebäudeinformationen in der Zielzone zu bereichern. Das Ergebnis zeigt: Der IoU-Index der Methode in diesem Artikel ist um 15 % höher als der Grundlagenmodell ohne Domänenanpassung, um 6 % höher als das Domänenanpassungsmodell ohne vorherige Anleitung. In der Zielzone, in der keine OSM-Daten vorhanden sind, kann allein durch die Führung von Formprioritätsinformationen die Genauigkeit der Anpassung der Gebäudedomäne verbessert werden, und unter Bedingungen, in denen die Integrität der OSM-Daten in der Zielzone niedrig ist, kann es auch nahezu die gleichen Effekte wie bei der halbüberwachten Domänenanpassungsmethode mit hochwertigen Zielzonenetiketten erzielen.

Gebäudeextraktion; Domänenanpassung; Fernerkundungsbild; Prioritätsinformation; OSM