La extracción de edificios basada en aprendizaje profundo es una dirección de investigación importante en el campo de la teledetección. Para equilibrar eficazmente la eficiencia computacional y la precisión de extracción, se propone una red ligera de extracción de edificios que integra la transformada wavelet y la percepción global. Primero, se integraron el compartimiento de parámetros, las operaciones en forma de estrella y las convoluciones separables en profundidad, proponiendo un bloque de convolución profunda compartida en forma de estrella para extraer características de edificios de manera eficiente y precisa. En segundo lugar, se introdujeron la transformada wavelet y la atención en el espacio de frecuencia para proponer un módulo de mejora de los bordes eficiente que mejora la capacidad de la red para representar características de los bordes de los edificios. Finalmente, con la ayuda de un mecanismo de atención no local ligero y una estrategia de interacción de características jerárquicas, se propuso un módulo de percepción de contexto global que mejora significativamente la fusión de características jerárquicas y fortalece la capacidad de percepción general en la etapa de decodificación de la red. Los resultados experimentales muestran que la red propuesta alcanza índices de intersección sobre unión (IoU) del 90,08% y 79,16% en dos conjuntos de datos públicos de extracción de edificios WHU e Inria, respectivamente, con un número de parámetros del modelo (Params) de 3,09M, 4.93G de FLOPs y una velocidad de inferencia de 30,24 FPS. En comparación con métodos existentes como Swin Transformer, BuildFormer, SDSCUNet, EasyNet, HDNet y CaSaFormerNet, este método logra una mayor precisión de extracción manteniendo baja complejidad computacional, logrando un mejor equilibrio entre eficiencia computacional y precisión de extracción.

Extracción de edificios;Ligero;Mejora de bordes;Transformada wavelet;Contexto global