高解像度リモートセンシング画像における建物抽出において、対象のスケールの幅が大きく、上層のテクスチャが複雑で背景環境の干渉があるため、従来のモデルでは大規模建物抽出時に内部空洞が発生しやすく、小規模対象は境界の幾何特性を失いやすいという問題に対し、本研究ではマルチスケールの局所特徴とグローバル空間表現を融合した二重流ネットワーク構造を提案する。全対称U-Netをトポロジー基盤としたハイブリッドネットワークを構築し、エンコーダ段階で階層型特徴ピラミッドによりマルチ解像度の局所テクスチャ情報を抽出、空間解像度が元サイズの1/16の最深層にVision Transformerモジュールを埋め込み、多頭自己注意機構を用いて長距離依存関係のモデリングを行う。デコーダ段階では適応的二重注意再校正機構を導入し、カスケード畳み込みブロック注意モジュール（CBAM）によりスキップ接続で伝達される特徴のノイズを空間およびチャネル次元で抑制し、クロスアテンションモジュールを融合してマルチスケール特徴を整合させる。ネットワーク末端では、セグメンテーションと境界予測の並列マルチタスク出力分岐を構築し、境界損失関数を用いて共同最適化を行う。WHU航空画像データセットにおいて、本モデルのIoUは89.48%、F1スコアは94.45%、精度は90.12%、再現率は99.21%に達し、U-Net構造と比較してIoUとF1スコアはそれぞれ13.95%、14.05%向上した。背景が複雑なISPRS Potsdamデータセットでは、モデルの再現率は90.48%で安定している。アブレーション実験により、グローバル自己注意モジュールの導入によりIoUが6.67%向上し、対象内部特徴の欠損現象を効果的に改善したことが示された。本ネットワーク構造は制御可能な計算コスト内でマルチスケール建物の空間トポロジーと局所輪郭の有効な抽出を実現し、2D畳み込みモデルの局所受容野の制限を補い、都市空間進化の監視や地理基盤データベースの更新などの工学応用において実用的な展開価値を有する。

建物抽出;セマンティックセグメンテーション;多頭自己注意メカニズム;特徴再校正;マルチタスク学習