L'apprentissage profond offre un moyen efficace d'extraire des bâtiments des images à distance. Cependant, lorsque les distributions des données d'entraînement (domaine source) et des données de test (domaine cible) diffèrent, l'utilisation directe du modèle entraîné dans le domaine source dans le domaine cible entraîne une diminution significative de la précision. Les méthodes d'adaptation de domaine pour l'extraction de bâtiments peuvent surmonter les différences de distribution des données entre les domaines et améliorer la capacité à extraire les informations sur les bâtiments dans des environnements différents. Ignorant la difficulté à obtenir des étiquettes de domaine cible dans l'extraction de bâtiments et les coûts élevés d'annotation, ainsi que le fait que les méthodes actuelles n'ont pas pleinement utilisé les caractéristiques constantes des bâtiments pour fournir des contraintes de cohérence inter-domaines, cet article propose une nouvelle méthode d'extraction de bâtiments d'images à distance, guidée par des informations prioritaires sur la forme et la position. Premièrement, l'indice des bâtiments et d'autres méthodes comme Harris sont utilisés pour extraire automatiquement les coins des bâtiments du domaine cible, et les limites classifiées des bâtiments du domaine source sont extraites à l'aide de méthodes de morphologie d'image comme informations prioritaires sur la forme pour les deux domaines. Ensuite, une méthode d'extraction d'informations prioritaires sur la position à base de transformée gaussienne est conçue. Les objets OSM du domaine cible et les objets classifiés du domaine source sont convertis en informations prioritaires sur la position dans le domaine double. Enfin, les informations prioritaires sur la forme mentionnées ci-dessus sont utilisées pour construire une fonction de perte de forme, tout en fournissant simultanément des contraintes d'entraînement pour les bâtiments dans les deux domaines, utilisant les informations prioritaires sur la position dans le domaine double comme un canal supplémentaire autonome superposé aux couches d'images pour former des entrées à quatre canaux. Celles-ci enrichissent les informations sur les bâtiments dans le domaine cible, et le modèle AU_AdaptNet basé sur l'apprentissage antagoniste est conçu. Les résultats des expériences montrent que l'indicateur IoU de la méthode de cet article augmente de 15% par rapport au modèle de base sans adaptation de domaine, et de 6% par rapport à la méthode d'adaptation de domaine sans support d'informations prioritaires. De plus, en cas d'indisponibilité des données OSM dans le domaine cible, il est possible d'augmenter la précision de l'extraction de la zone cible des bâtiments guidée par des informations prioritaires de forme uniquement. En cas d'indisponibilité des données OSM dans le domaine cible, il est possible d'augmenter la précision de l'extraction de la zone cible des bâtiments guidée par des informations prioritaires de forme uniquement, et il est également possible d'obtenir des résultats similaires aux méthodes d'adaptation semi-supervisée utilisant des balises de domaine cible de haute qualité.

building extraction;domain adaptation;remote sensing imagery;prior information;OSM