В ответ на трудности извлечения зданий, связанные с изменением формы и недостаточной точностью извлечения границ, мы предлагаем интегрированную сеть извлечения зданий с двумя ветвями для разделения основных краев и извлечения многоуровневой информации. Во-первых, используя идею декомпозиции и технологию оптического потока, мы разработали ветвь разделения основных краев, чтобы получить основные и краевые характеристики здания и усилить способность представления границ зданий. Затем, основываясь на полостном свертывании, глубоком разделении свертки и механизме внимания, мы построили легковесную ветвь извлечения многоуровневой информации для полного извлечения характеристик зданий различных уровней. Наконец, используя извлеченные основные и краевые характеристики, мы предлагаем функцию потерь с усилением характеристик основного и краевого, чтобы оптимизировать процесс обучения сети. Результаты экспериментов на широко используемых общедоступных наборах данных для извлечения зданий показывают, что предложенная сеть извлечения зданий эффективна и выполнима.

Дистанционное зондирование; извлечение зданий; глубокое обучение; U-Net; разделение основных краев; двойная ветвь; многоуровневый; легковесный