深層学習に基づく建物抽出は、リモートセンシング分野で重要な研究方向の一つです。計算効率と抽出精度のバランスを効果的にとるために、小波変換とグローバル認識を統合した軽量な建物抽出ネットワークを提案します。まず、パラメータ共有、スター型演算、深層分離可能畳み込みを統合し、建物特徴を効率的かつ正確に抽出するスター型共有深層畳み込みブロックを提案します。次に、小波変換と周波数領域空間注意を導入し、ネットワークの建物境界特徴の表現能力を強化する効率的な境界強化モジュールを提案します。最後に、軽量非局所注意機構と階層的特徴相互作用戦略を活用し、階層的特徴の融合効果を著しく向上させ、ネットワークのデコーディング段階で全体的な認識能力を強化するグローバルコンテキスト認識モジュールを提案します。実験結果により、提案ネットワークはWHUおよびInriaという2つの公開建物抽出データセットで、それぞれ90.08％と79.16％のIoU指標を達成し、モデルパラメータ数は3.09M、1秒あたりの浮動小数点演算数（FLOPs）は4.93G、推論速度は30.24FPSに達しました。Swin Transformer、BuildFormer、SDSCUNet、EasyNet、HDNet、CaSaFormerNetなどの既存手法と比較して、本手法は低計算複雑度を維持しつつ高い抽出精度を実現し、計算効率と抽出精度のバランスをより良くとっています。

建物抽出;軽量;境界強化;小波変換;グローバルコンテキスト