Die auf Deep Learning basierende Gebäudextraktion ist ein wichtiger Forschungsbereich im Bereich der Fernerkundung. Um eine effektive Balance zwischen Recheneffizienz und Extraktionsgenauigkeit zu erreichen, wird ein leichtes Gebäudextraktionsnetz vorgeschlagen, das Wavelet-Transformation und globales Wahrnehmen integriert. Zunächst werden Parameter-Sharing, sternförmige Operationen und tief trennbare Faltungen integriert und ein sternförmiger gemeinsamer Tiefenfaltungsblock vorgeschlagen, um Gebäudemerkmale effizient und genau zu extrahieren. Zweitens werden Wavelet-Transformation und Frequenzraumaufmerksamkeit eingeführt, um ein effizientes Randverstärkungsmodul vorzuschlagen, das die Fähigkeit des Netzwerks zur Darstellung von Gebäuderandmerkmalen verbessert. Schließlich wird mit Hilfe eines leichtgewichtigen nicht-lokalen Aufmerksamkeitsmechanismus und einer hierarchischen Merkmalsinteraktionsstrategie ein globaler Kontextwahrnehmungsmodul vorgeschlagen, der die Verschmelzung hierarchischer Merkmale erheblich verbessert und die Gesamtwahrnehmungsfähigkeit in der Dekodierungsphase des Netzwerks stärkt. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Netzwerk auf den beiden öffentlichen Gebäudextraktionsdatensätzen WHU und Inria Intersection over Union (IoU)-Werte von 90,08 % bzw. 79,16 % erreicht, während die Modellparameteranzahl (Params) 3,09M beträgt, die FLOPs 4,93G und die Inferenzgeschwindigkeit 30,24 FPS erreicht. Im Vergleich zu vorhandenen Methoden wie Swin Transformer, BuildFormer, SDSCUNet, EasyNet, HDNet und CaSaFormerNet erzielt diese Methode eine höhere Extraktionsgenauigkeit bei gleichzeitiger Aufrechterhaltung einer niedrigen Rechenkomplexität und erreicht ein besseres Gleichgewicht zwischen Recheneffizienz und Extraktionsgenauigkeit.

Gebäudextraktion;Leichtgewichtig;Randverstärkung;Wavelet-Transformation;Globaler Kontext