L'apprentissage profond offre une méthode efficace pour l'extraction des bâtiments dans les images de télédétection, mais lorsque la distribution des données d'entraînement (domaine source) diffère de celle des données de test (domaine cible), l'application directe du modèle entraîné uniquement sur le domaine source au domaine cible entraîne une baisse significative de la précision. La méthode d'extraction par adaptation de domaine pour les bâtiments peut surmonter les différences de distribution des données entre les domaines et améliorer la capacité de reconnaissance des informations sur les bâtiments dans divers environnements. En raison de la grande difficulté d'obtenir les labels du domaine cible et du coût élevé de l'annotation dans l'extraction par adaptation de domaine des bâtiments, ainsi que du fait que les méthodes actuelles n'exploitent pas pleinement les caractéristiques invariantes des bâtiments pour fournir une contrainte de cohérence inter-domaines, cet article propose une méthode d'extraction par adaptation de domaine pour les bâtiments dans les images de télédétection guidée par des informations a priori de forme et de position. Tout d'abord, les coins des bâtiments du domaine cible sont automatiquement extraits en combinant l'indice des bâtiments, la méthode de Harris et d'autres méthodes, et les contours des bâtiments étiquetés du domaine source sont extraits à l'aide de méthodes morphologiques d'image, servant d'informations a priori de forme pour les deux domaines. Ensuite, une méthode d'extraction des informations a priori de position basée sur la transformation gaussienne est conçue, convertissant les objets OSM du domaine cible et les objets étiquetés du domaine source en informations a priori de position bivalence des deux domaines. Enfin, les informations a priori de forme mentionnées sont utilisées pour construire une fonction de perte de forme, tout en fournissant des contraintes d'entraînement sur les cibles des bâtiments dans les deux domaines, et les informations a priori de position bivalence sont superposées en tant que canal supplémentaire indépendant formant une entrée à 4 canaux, enrichissant ainsi l'information des bâtiments du domaine cible ; un modèle d'extraction par adaptation de domaine de bâtiment basé sur l'apprentissage adversarial, AU_AdaptNet, est conçu. Les résultats expérimentaux montrent que l'indice IoU de la méthode proposée améliore de 15 % celui du modèle de base sans adaptation de domaine, de 6 % celui du modèle d'adaptation de domaine sans guidage par les informations a priori, et même en l'absence de données OSM dans le domaine cible, la précision de l'extraction par adaptation de domaine peut être améliorée en s'appuyant uniquement sur le guidage des informations a priori de forme, et que dans des conditions de faible intégrité des données OSM du domaine cible, des résultats similaires à ceux des méthodes d'adaptation de domaine semi-supervisées utilisant des labels de haute qualité du domaine cible peuvent être obtenus.

Extraction des bâtiments; Adaptation de domaine; Images de télédétection; Informations a priori; OSM