La segmentation des bâtiments dans les images de télédétection est largement utilisée en urbanisme et dans les domaines militaires, constituant un sujet de recherche clé dans ce domaine. Pour résoudre le problème de faible précision de segmentation causé par les grandes variations d'échelle entre les bâtiments, les occultations, ainsi que la similarité entre les ombres des bâtiments et leurs contours, un modèle de réseau de neurones convolutionnel avec des chemins parallèles et un mécanisme d'attention puissant est proposé. Ce modèle est basé sur l'approche des connexions résiduelles du réseau ResNet, utilisant ResNet comme réseau de base pour augmenter la profondeur, et applique un sous-échantillonnage convolutif pour obtenir des chemins parallèles qui extraient des caractéristiques multi-échelles des bâtiments, réduisant ainsi l'impact des variations d'échelle. Ensuite, un mécanisme d'attention puissant est intégré pour renforcer la fusion des informations multi-échelles, accroître la distinction entre différentes caractéristiques et supprimer l'influence des occultations et des ombres des bâtiments. Enfin, après la fusion des caractéristiques multi-échelles, un module de mise en commun spatiale pyramidale est ajouté pour réduire l'apparition de trous internes dans les bâtiments segmentés et améliorer la précision de segmentation. Des expériences ont été menées sur les ensembles de données publiques WHU et Massachusetts Buildings, avec une évaluation quantitative des résultats selon quatre indicateurs : MIoU, rappel, précision et score F1. Sur le jeu de données Massachusetts Buildings, le MIoU atteint 72,84 %, soit une amélioration de 1,46 % par rapport à ResUNet-a, démontrant une meilleure précision de la segmentation des bâtiments dans les images de télédétection.

images de télédétection; segmentation des bâtiments; chemins parallèles; mécanisme d’attention puissant; mise en commun spatiale pyramidale