深層学習はリモートセンシング画像から建物を抽出する効果的なアプローチを提供しますが、訓練データ（ソースドメイン）とテストデータ（ターゲットドメイン）の分布が異なる場合、ソースドメインだけを訓練したモデルを直接ターゲットドメインに適用すると、精度が著しく低下します。建物ドメイン適応抽出法は、ドメイン間のデータ分布の違いを克服し、異なる環境での建物情報の認識能力を向上させます。ターゲットドメインのラベルの取得が難しく、ラベルのコストが高いこと、および現在の方法では建物の不変特性を十分に活用してドメイン間の一貫制約を提供していない問題に対応し、形状および位置 の事前情報に基づいてリモートセンシング画像からの建物ドメイン適応抽出方法を提案します。まず、建物指数、ハリスなどの方法を使用して、ターゲットドメインの建物のコーナーを自動的に抽出し、イメージモルフォロジー法を使用してソースドメインのラベルの建物エッジを抽出し、両ドメインの形状の事前情報を取得します。次に、ガウス変換に基づく位置の事前情報抽出方法を設計し、ターゲットドメインのOSMオブジェクトとソースドメインのラベルオブジェクトを双方の位置の事前情報に変換します。最後に、これらの形状の事前情報を使用して形状の損失関数を構築し、両ドメインで建物目標にトレーニング制約を提供し、両ドメインの位置の事前情報を画像のレイヤーの独立した追加チャネルとして組み合わせて4チャネル入力を構成してターゲットドメインの建物情報を豊かにします。結果は、本文の手法のIoU指標がドメイン適応のない基本モデルよりも15％高く、事前情報を導入しないドメイン適応モデルよりも6％高いことを示しています。ターゲットドメインでOSMデータがない場合、形状の事前情報のみでも建物ドメイン適応抽出の精度を向上させることができ、ターゲットドメインでOSMデータの完全性が低い条件下でも、高品質のターゲットドメインラベルを使用した半教師ドメイン適応方法とほぼ同様の効果を得ることができます。

建物抽出; ドメイン適応; リモートセンシング画像; 先行情報; OSM