高解像度リモートセンシング画像における建物の形状多様性や大きさの違いによって建物抽出の精度が低下し、従来のセグメンテーションモデルにはパラメータが多いなどの問題が存在するため、エンコーダー・デコーダーに基づく軽量多スケール差分ネットワークLMD-Net（Lightweight Multi-scale Difference Network）を提案する。まず、単一の特徴処理ユニットの積み重ねによってモデル性能が低下し無効なパラメータが発生することを避けるため、エンコーダー・デコーダー構造の機能的差異を融合し、軽量差分モデルによって性能を最適化した。次に、ネットワークが多スケール対象特徴を捉える能力を強化するために、多スケール膨張認識モジュール（Multi-Scale Dilation Perception、MSDP）を導入した。最後に、二重融合機構を通じて深層スキップ接続と深層デコーダーの二つの特徴情報群を効果的に集約し、デコーダーの特徴復元能力を向上させた。LMD-Netの有効性と適用性を検証するために、オープンソースのWHU building datasetをデータソースとして使用し、LMD-Netネットワークと一般的なセマンティックセグメンテーションネットワークおよび近年の関連研究成果と比較して、精度と効率の評価実験を行った。結果は、LMD-Netネットワークが効率と精度の両面で明確な優位性を示し、モデルのパラメータ数と計算量を大幅に削減するとともに、IoUと精度がそれぞれ3.23％、2.57％向上したことを示している。これは、高解像度リモートセンシング画像に基づく建物抽出分野において、本モデルが都市空間情報データベースに優れた価値を持つことを示している。

高解像度リモートセンシング画像;多スケール;建物抽出;エンコーダー・デコーダー;軽量