O aprendizado profundo oferece um método eficaz para a extração de edifícios em imagens de sensoriamento remoto, mas quando a distribuição dos dados de treinamento (domínio de origem) e dos dados de teste (domínio alvo) são diferentes, a aplicação direta do modelo treinado somente no domínio de origem no domínio alvo resulta em uma queda significativa na precisão. O método de extração com adaptação de domínio para edifícios pode superar as diferenças na distribuição de dados entre domínios e melhorar a capacidade de reconhecimento de informações de edifícios em diferentes ambientes. Devido à dificuldade de obtenção de etiquetas do domínio alvo e ao alto custo de anotação na extração com adaptação de domínio para edifícios, e ao fato de que os métodos atuais não aproveitam totalmente as características invariantes dos edifícios para fornecer uma restrição de consistência entre domínios, este artigo propõe um método de extração com adaptação de domínio para edifícios em imagens de sensoriamento remoto guiado por informações a priori de forma e localização. Primeiro, são extraídos automaticamente os pontos de canto dos edifícios do domínio alvo utilizando uma combinação do índice de edifícios, método de Harris e outros métodos, e, com auxílio de métodos morfológicos de imagem, são extraídas as bordas dos edifícios etiquetados do domínio de origem como informações a priori de forma para ambos os domínios. Em seguida, é projetado um método de extração de informações a priori de localização baseado em transformação gaussiana, convertendo os objetos OSM do domínio alvo e os objetos etiquetados do domínio de origem em informações a priori de localização de domínios duplos. Por fim, utiliza-se a informação a priori de forma mencionada para construir uma função de perda de forma, fornecendo simultaneamente restrições de treinamento para os alvos de edifícios em ambos os domínios, e as informações a priori de localização de domínios duplos são sobrepostas como um canal adicional independente para compor uma entrada de 4 canais, enriquecendo as informações dos edifícios do domínio alvo, e é projetado um modelo de extração com adaptação de domínio para edifícios baseado em aprendizado adversarial, AU_AdaptNet. Os resultados experimentais mostram que o índice IoU do método proposto melhora em 15% em relação ao modelo base sem adaptação de domínio, em 6% em relação ao modelo de adaptação de domínio sem orientação por informações a priori, e mesmo na ausência de dados OSM no domínio alvo, a precisão da extração de adaptação de domínio para edifícios pode ser melhorada apenas com a orientação da informação a priori de forma, e que em condições de baixa integridade dos dados OSM do domínio alvo, também é possível obter resultados semelhantes aos métodos de adaptação de domínio semi-supervisionados que utilizam etiquetas de alta qualidade do domínio alvo.

Extração de edifícios; Adaptação de domínio; Imagens de sensoriamento remoto; Informação a priori; OSM