El aprendizaje profundo proporciona un método eficaz para extraer edificios de imágenes remotas. Sin embargo, cuando las distribuciones de los datos de entrenamiento (dominio fuente) y los datos de prueba (dominio objetivo) son diferentes, el uso directo del modelo entrenado en el dominio fuente en el dominio objetivo conlleva una disminución significativa de la precisión. Los métodos de adaptación de dominio para la extracción de edificios pueden superar las diferencias en la distribución de los datos entre los dominios y mejorar la capacidad para extraer información sobre edificios en entornos diferentes. Ignorando la dificultad de obtener etiquetas del dominio objetivo en la extracción de edificios y los altos costos de anotación, así como el hecho de que los métodos actuales no han utilizado completamente las características constantes de los edificios para proporcionar restricciones de coherencia interdominio, este artículo propone un nuevo método para la extracción de edificios de imágenes remotas, guiado por información prioritaria sobre la forma y la posición. En primer lugar, se utilizan el índice de edificios y otros métodos como Harris para extraer automáticamente las esquinas de los edificios del dominio objetivo, y los límites clasificados de los edificios del dominio fuente se extraen utilizando métodos de morfología de imagen como información prioritaria sobre la forma para ambos dominios. Luego, se diseña un método de extracción de información prioritaria sobre la posición basado en la transformación gaussiana. Los objetos OSM del dominio objetivo y los objetos clasificados del dominio fuente se convierten en información prioritaria sobre la posición en el dominio doble. Finalmente, la información prioritaria sobre la forma mencionada anteriormente se utiliza para construir una función de pérdida de forma, al tiempo que se proporcionan restricciones de entrenamiento para los edificios en ambos dominios, utilizando la información prioritaria sobre la posición en el dominio doble como un canal adicional independiente superpuesto a las capas de imágenes para formar entradas de cuatro canales. Estos enriquecen la información sobre los edificios en el dominio objetivo, y se diseña el modelo AU_AdaptNet basado en el aprendizaje adversarial. Los resultados de los experimentos muestran que el indicador IoU del método de este artículo aumenta en un 15% en comparación con el modelo base sin adaptación de dominio, y en un 6% en comparación con el método de adaptación de dominio sin soporte de información prioritaria. Además, en caso de no disponibilidad de datos OSM en el dominio objetivo, es posible aumentar la precisión de la extracción de la zona objetivo de los edificios guiada solo por información prioritaria sobre la forma. En caso de no disponibilidad de datos OSM en el dominio objetivo, es posible aumentar la precisión de la extracción de la zona objetivo de los edificios guiada solo por información prioritaria sobre la forma, y también es posible obtener resultados similares a los métodos de adaptación semi-supervisada que utilizan etiquetas de dominio objetivo de alta calidad.

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