딥러닝은 원격 감지 이미지에서 건물 추출에 효과적인 접근 방법을 제공하지만 학습 데이터 (소스 도메인)와 시험 데이터 (타겟 도메인)의 분포가 다른 경우, 소스 도메인만 학습 된 모델을 직접 타겟 도메인에 적용하면 정확도가 상당히 낮아집니다. 건물 도메인 적응 방법은 도메인 간 데이터 분포 차이를 극복하고 다양한 환경에서 건물 정보를 인식하는 능력을 향상시킬 수 있습니다. 타겟 도메인 레이블 획득이 어려우며 레이블 비용이 높고 현재 방법에서의 건물 불변 특성을 충분히 활용하지 못하는 경우를 고려하여 이 논문은 형상 및 위치 선호 정보에 따라 원격 감지 이미지에서 건물 도메인 적응 추출 방법을 제안합니다. 먼저, 건물 지수, 해리스 등의 방법을 사용하여 타겟 도메인 건물 모서리를 자동으로 추출하고, 이미지 형태학 방법을 사용하여 원본 도메인 레이블 건물 가장자리를 추출하여 두 도메인의 형상 선호 정보를 얻습니다. 그런 다음 가우스 변환을 기반으로한 위치 선호정보 추출 방법을 설계하여 타겟 도메인 OSM 객체 및 소스 도메인 레이블 객체를 두 도메인에 대한 위치 선호 정보로 전환합니다. 마지막으로, 이러한 형상 선호 정보를 사용하여 형상 손실 함수를 구성하고 두 도메인에서 건물 목표에 교육 제한을 제공하는 동시에 두 도메인의 위치 선호 정보를 이미지 레이어의 독립적인 추가 채널로 결합하여 4채널 입력을 형성하여 타겟 도메인의 건물 정보를 풍부하게합니다. 결과는이 논문 방법의 IoU 지표가 도메인 적응 없는 기본 모델보다 15 % 높으며, 사전 안내없는 도메인 적응 모델보다 6 % 높습니다. 타겟 도메인에 OSM 데이터가없는 경우 형상 선호 정보 만으로도 건물 도메인 적응 추출 정확도를 향상 할 수 있으며, 타겟 도메인에서 OSM 데이터 무결성이 낮은 경우 고 품질의 타겟 도메인 레이블을 사용한 반지도 도메인 적응 방법과 거의 동일한 효과를 얻을 수도 있습니다.

건물 추출; 도메인 적응; 원격 감지 이미지; 선호 정보; OSM