En réponse aux difficultés d'extraction des bâtiments liées à la variabilité de la forme et à l'extraction peu précise des limites, nous proposons un réseau intégré d'extraction de bâtiments à deux branches pour séparer les principaux bords et extraire des informations à plusieurs échelles. Tout d'abord, en utilisant l'idée de la décomposition et la technologie du flux optique, nous avons conçu une branche de séparation des principaux bords pour obtenir les caractéristiques principales et de bords des bâtiments et renforcer la capacité de représenter les limites des bâtiments. Ensuite, en se basant sur la convolution dilatée, la convolution profonde séparable et le mécanisme d'attention, nous avons construit une branche légère d'extraction d'informations à plusieurs échelles pour extraire pleinement les caractéristiques des bâtiments de différentes échelles. Enfin, en utilisant les caractéristiques principales et de bords extraites, nous proposons une fonction de perte renforcée par les caractéristiques principales et les bords pour optimiser le processus d'entraînement du réseau. Les résultats des expérimentations sur les ensembles de données publics couramment utilisés pour l'extraction de bâtiments montrent que le réseau d'extraction de bâtiments proposé est efficace et réalisable.

Télédétection; extraction de bâtiments; apprentissage profond; U-Net; séparation des principaux bords; double branche; multi-échelle; léger