원격 탐사 영상에서 건물 분할은 도시 계획 및 군사 분야에서 널리 활용되며, 현재 원격 탐사 분야의 연구 핵심 주제입니다. 원격 탐사 영상 내 건물 간의 규모 변화가 크고, 건물 간 겹침 및 건물의 그림자와 경계가 유사하여 건물 분할 정확도가 낮은 문제를 해결하기 위해 병렬 경로와 강력한 주의 메커니즘을 갖춘 합성곱 신경망 모델을 제안합니다. 이 모델은 ResNet 네트워크의 잔차 연결 아이디어를 기반으로 하며, ResNet을 기반 네트워크로 사용해 네트워크 깊이를 증가시키고 합성곱 다운샘플링을 통해 병렬 경로를 생성하여 건물의 다중 스케일 특징을 추출하여 규모 변화의 영향을 줄입니다. 그런 다음 강력한 주의 메커니즘을 추가해 다중 스케일 정보 융합 효과를 강화하고 서로 다른 특징 간 구분도를 높이며, 건물 간의 겹침과 건물의 그림자 영향을 억제합니다. 마지막으로 다중 스케일 융합 특징 후 금자형 공간 풀링 모듈을 추가해 분할 결과 내 건물 내부 구멍 발생을 억제하고 분할 정확도를 향상시킵니다. WHU와 Massachusetts Buildings 공개 데이터셋에서 실험을 진행했으며, MIoU, Recall, Precision, F1-score 네 가지 지표로 분할 결과를 정량 비교했습니다. Massachusetts Buildings 데이터셋에서 MIoU는 72.84%에 도달했으며, ResUNet-a 대비 1.46% 향상되어 원격 탐사 영상 내 건물 분할 정확도를 효과적으로 높일 수 있음을 입증했습니다.

원격 탐사 영상; 건물 분할; 병렬 경로; 강력한 주의 메커니즘; 금자형 공간 풀링