L'extraction de bâtiments basée sur l'apprentissage profond est un domaine de recherche important en télédétection. Afin d'équilibrer efficacement l'efficacité de calcul et la précision d'extraction, un réseau léger d'extraction de bâtiments intégrant la transformation en ondelettes et la perception globale est proposé. Tout d'abord, le partage des paramètres, les opérations en forme d'étoile et les convolutions séparables en profondeur ont été intégrés pour proposer un bloc de convolution en profondeur partagé en forme d'étoile, permettant d'extraire efficacement et précisément les caractéristiques des bâtiments. Ensuite, la transformation en ondelettes et l'attention dans l'espace fréquentiel ont été introduites pour proposer un module d'amélioration des contours efficace, renforçant la capacité du réseau à représenter les caractéristiques des contours des bâtiments. Enfin, avec le mécanisme d'attention non locale léger et la stratégie d'interaction des caractéristiques hiérarchiques, un module de perception du contexte global a été proposé, améliorant significativement la fusion des caractéristiques hiérarchiques et renforçant la capacité globale de perception lors de la phase de décodage du réseau. Les résultats expérimentaux montrent que le réseau proposé atteint des indices d'intersection sur union (IoU) de 90,08% et 79,16% sur les deux ensembles de données publiques d'extraction de bâtiments WHU et Inria respectivement, avec un nombre de paramètres (Params) de 3,09 millions, des opérations en virgule flottante par seconde (FLOPs) de 4,93G et une vitesse d'inférence atteignant 30,24 FPS. Comparé aux méthodes existantes telles que Swin Transformer, BuildFormer, SDSCUNet, EasyNet, HDNet et CaSaFormerNet, cette méthode réalise une précision d'extraction plus élevée tout en maintenant une faible complexité calculatoire, réalisant un meilleur équilibre entre efficacité de calcul et précision d'extraction.

Extraction de bâtiments;Léger;Amélioration des contours;Transformation en ondelettes;Contexte global