딥러닝 기반 건물 추출은 원격 탐사 분야에서 중요한 연구 방향 중 하나입니다. 계산 효율성과 추출 정확도를 효과적으로 균형 맞추기 위해 웨이브릿 변환과 글로벌 인지를 통합한 경량 건물 추출 네트워크를 제안합니다. 먼저, 파라미터 공유, 스타형 연산 및 깊이 분리 합성곱을 통합하여 건물 특징을 효율적이고 정확하게 추출하는 스타형 공유 깊이 합성곱 블록을 제안합니다. 둘째, 웨이브릿 변환과 주파수 영역 공간 주의를 도입하여 네트워크의 건물 경계 특징 표현 능력을 향상시키는 효율적인 경계 강화 모듈을 제안합니다. 마지막으로 경량 비국소 주의 메커니즘과 계층적 특징 상호작용 전략을 활용하여 계층적 특징 융합 효과를 크게 향상시키고 네트워크 디코딩 단계의 전체 인지 능력을 강화하는 글로벌 맥락 인지 모듈을 제안합니다. 실험 결과, 제안된 네트워크는 WHU와 Inria 두 공개 건물 추출 데이터셋에서 각각 90.08%와 79.16%의 교집합비율(IoU)을 달성했으며, 모델 파라미터 수는 3.09M, 플롭스(FLOPs)는 4.93G, 추론 속도는 30.24 FPS에 이릅니다. Swin Transformer, BuildFormer, SDSCUNet, EasyNet, HDNet 및 CaSaFormerNet 등 기존 방법과 비교하여 본 방법은 낮은 계산 복잡성을 유지하면서 더 높은 추출 정확도를 달성하여 계산 효율성과 추출 정확도 간에 더 나은 균형을 구현했습니다.

건물 추출;경량;경계 강화;웨이브릿 변환;글로벌 컨텍스트