El aprendizaje profundo proporciona una forma efectiva de extraer edificios de imágenes de teledetección, pero cuando la distribución de los datos de entrenamiento (dominio fuente) y de prueba (dominio objetivo) es diferente, la aplicación directa del modelo entrenado solo en el dominio fuente al dominio objetivo reduce significativamente la precisión. El método de extracción con adaptación de dominio para edificios puede superar las diferencias en la distribución de datos entre dominios y mejorar la capacidad de reconocimiento de la información de edificios en diferentes entornos. Debido a la dificultad de obtener etiquetas del dominio objetivo y al alto coste de la anotación en la extracción con adaptación de dominio para edificios, y al hecho de que los métodos actuales no aprovechan suficientemente las características invariantes de los edificios para proporcionar una restricción de coherencia entre dominios, este artículo propone un método de extracción con adaptación de dominio para edificios en imágenes de teledetección guiado por información a priori de forma y posición. En primer lugar, se extraen automáticamente los puntos de esquina de edificios en el dominio objetivo mediante una combinación del índice de edificios, el método Harris, y otros métodos, y mediante métodos morfológicos de imágenes se extraen los bordes de los edificios etiquetados en el dominio fuente, como información a priori de forma para ambos dominios. A continuación, se diseña un método de extracción de información a priori posicional basado en una transformación gaussiana, que convierte los objetos OSM del dominio objetivo y los objetos etiquetados del dominio fuente en información a priori posicionada de doble dominio. Finalmente, se utiliza la información a priori de forma mencionada para construir una función de pérdida de forma, al mismo tiempo que se proporcionan restricciones de entrenamiento sobre los objetivos de edificios en ambos dominios, y la información a priori posicional de doble dominio se superpone como un canal adicional independiente para formar una entrada de 4 canales, enriqueciendo la información de edificios del dominio objetivo y se diseña un modelo de extracción con adaptación de dominio basado en aprendizaje adversarial, AU_AdaptNet. Los resultados experimentales demuestran que el índice IoU del método propuesto mejora en un 15% respecto al modelo base sin adaptación de dominio, en un 6% respecto al modelo de adaptación de dominio sin guía de información a priori, y que incluso sin datos OSM en el dominio objetivo, la precisión de la extracción con adaptación de dominio puede mejorarse solo con la guía de la información a priori de forma, y que en condiciones de baja integridad de datos OSM del dominio objetivo, también puede lograr resultados similares a los métodos de adaptación de dominio semi-supervisados que utilizan etiquetas de alta calidad del dominio objetivo.

Extracción de edificios; Adaptación de dominio; Imágenes de teledetección; Información a priori; OSM