Извлечение зданий на основе глубокого обучения является важным направлением исследований в области дистанционного зондирования. Для эффективного балансирования вычислительной эффективности и точности извлечения предложена легкая сеть извлечения зданий, интегрирующая вейвлет-преобразование и глобальное восприятие. Во-первых, были объединены совместное использование параметров, звездчатые операции и глубоко разделяемые свертки, что привело к предложению звездчатого блока глубокой свертки для эффективного и точного извлечения признаков зданий. Во-вторых, введено вейвлет-преобразование и внимание в частотной области, что позволило создать эффективный модуль усиления границ, улучшающий способность сети представлять граничные признаки зданий. Наконец, с помощью легковесного механизма нелокального внимания и стратегии взаимодействия уровневых признаков был предложен модуль глобального контекстного восприятия, значительно улучшающий слияние признаков разных уровней и усиливающий общие возможности восприятия на этапе декодирования сети. Экспериментальные результаты показывают, что предложенная сеть достигает индексов объединения по площади (IoU) 90,08% и 79,16% на двух общедоступных датасетах WHU и Inria соответственно, при этом количество параметров модели (Params) составляет 3,09 млн, количество операций с плавающей запятой в секунду (FLOPs) — 4,93G, а скорость вывода достигает 30,24 FPS. По сравнению с существующими методами такими, как Swin Transformer, BuildFormer, SDSCUNet, EasyNet, HDNet и CaSaFormerNet, данный метод обеспечивает более высокую точность извлечения при сохранении низкой вычислительной сложности, достигая лучшего баланса между вычислительной эффективностью и точностью извлечения.

Извлечение зданий;Легковесный;Усиление границ;Вейвлет-преобразование;Глобальный контекст