Глубокое обучение предоставляет эффективный способ извлечения зданий из дистанционных изображений. Но при различиях в распределении обучающих данных (исходная область) и тестовых данных (целевая область) использование модели, обученной в исходной области, напрямую в целевой области, приведет к значительному снижению точности. Методы адаптации домена для извлечения зданий могут преодолеть различия в распределении данных между доменами и повысить способность выделения информации зданий в различных средах. Игнорируя трудность получения меток целевого домена в извлечении зданий и высокие затраты на разметку, а также то, что текущие методы не смогли полностью использовать постоянные характеристики зданий для обеспечения кросс-доменных ограничений согласованности, в данной статье предлагается новый метод извлечения зданий из дистанционных изображений, направленный через информацию приоритетов в форме и местоположении. Во-первых, используется индекс зданий и другие методы, такие как Харрис, для автоматического извлечения углов зданий целевой области, и извлечение классифицированных границ зданий исходной области с использованием методов морфологии изображения в качестве приоритетной информации формы для обеих областей. Затем разработан метод извлечения приоритетной информации местоположения на основе гауссового преобразования. Объекты OSM в целевой области и классифицированные объекты исходной области преобразуются в приоритетную информацию местоположения в двойной области. И, наконец, используется упомянутая выше приоритетная информация формы для построения функции потерь формы и одновременно предоставления ограничений обучения для зданий в обеих областях, с использованием приоритетной информации местоположения в двойной области в качестве дополнительного свободного канала, объединенного с слоями изображений для создания четырехканальных входов. Последние обогащают информацию о зданиях в целевой области, и представленная на основе адаптивного обучения модель AU_AdaptNet. Результаты экспериментов показывают, что коэффициент IoU метода в настоящей статье увеличивается на 15% по сравнению с базовой моделью без адаптации домена и на 6% по сравнению с методом адаптации домена без поддержки информации приоритетов. Кроме того, в случае недоступности данных OSM в целевой области полностью, удается повысить точность извлечения целевой области зданий, направленной на основе информации приоритетов в форме. В случае недоступности данных OSM в целевой области полностью, удается повысить точность извлечения целевой области зданий, направленной на основе информации приоритетов в форме, и также можно достичь результатов, близких к методам полу-надзорной адаптации, использующих высококачественные метки целевой области.

building extraction;domain adaptation;remote sensing imagery;prior information;OSM