A extração de edificações baseada em aprendizado profundo é uma importante área de pesquisa no campo do sensoriamento remoto. Para equilibrar eficientemente a eficiência computacional e a precisão da extração, propõe-se uma rede leve de extração de edificações que integra a transformação wavelet e a percepção global. Primeiro, parâmetros compartilhados, operações em formato de estrela e convoluções separáveis em profundidade foram integrados para propor um bloco de convolução profunda compartilhada em forma de estrela, visando extrair características das edificações de forma eficiente e precisa. Em seguida, a transformação wavelet e a atenção no espaço de frequência foram introduzidas para propor um módulo eficiente de aprimoramento de bordas, aumentando a capacidade da rede de representar as características das bordas das edificações. Por fim, com o auxílio de um mecanismo leve de atenção não local e uma estratégia de interação de características hierárquicas, propõe-se um módulo de percepção de contexto global que melhora significativamente a fusão das características hierárquicas e reforça a capacidade de percepção geral na fase de decodificação da rede. Os resultados experimentais mostram que a rede proposta alcançou índices de interseção sobre união (IoU) de 90,08% e 79,16% nos dois conjuntos públicos de dados de extração de edificações WHU e Inria, respectivamente, com parâmetros do modelo (Params) de 3,09M, FLOPs de 4,93G e velocidade de inferência de 30,24 FPS. Comparado com métodos existentes como Swin Transformer, BuildFormer, SDSCUNet, EasyNet, HDNet e CaSaFormerNet, este método alcançou maior precisão de extração mantendo a baixa complexidade computacional, alcançando um melhor equilíbrio entre eficiência computacional e precisão de extração.

Extração de edificações;Leve;Aprimoramento de bordas;Transformação wavelet;Contexto global