استخراج المباني بناءً على التعلم العميق هو قطاع بحثي مهم في مجال الاستشعار عن بُعد. من أجل تحقيق توازن فعال بين كفاءة الحساب ودقة الاستخراج، تم اقتراح شبكة استخراج مباني خفيفة الوزن تدمج تحويل المويجات والإحساس العالمي. أولاً، تم دمج مشاركة المعلمات، العمليات النجمية، والتفافات قابلة للفصل عميقاً، مما أدى إلى اقتراح كتلة التفاف عميق مشتركة نجمية لاستخراج ميزات المباني بكفاءة ودقة عالية. ثانياً، مع إدخال تحويل المويجات والانتباه لمجال التردد، تم اقتراح وحدة تعزيز الحدود الفعالة لتعزيز قدرة الشبكة على تمثيل ميزات حدود المباني. أخيراً، بمساعدة آلية الانتباه غير المحلية الخفيفة واستراتيجية التفاعل بين الميزات الطبقية، تم اقتراح وحدة إدراك السياق العالمي التي حسّنت بشكل ملحوظ من دمج الميزات الطبقية وعززت قدرة الإحساس العامة لمرحلة فك الترميز في الشبكة. أظهرت النتائج التجريبية أن الشبكة المقترحة حققت قيمة تقاطع الاتحاد المشترك (IoU) بنسبة 90.08% و79.16% على مجموعتي بيانات استخراج المباني WHU وInria على التوالي، مع حجم نموذج يبلغ 3.09 مليون معلمة، وعمليات حسابية عائمة في الثانية تبلغ 4.93 جيجا FLOPs، وسرعة استدلال تصل إلى 30.24 إطارًا في الثانية. مقارنة بالطرق الحالية مثل Swin Transformer، BuildFormer، SDSCUNet، EasyNet، HDNet وCaSaFormerNet، حققت هذه الطريقة دقة أعلى للاستخراج مع الحفاظ على تعقيد حسابي منخفض، محققة توازناً أفضل بين كفاءة الحساب ودقة الاستخراج.

استخراج المباني;خفيف الوزن;تعزيز الحدود;تحويل المويجات;السياق العالمي