고해상도 원격 감지 영상에서 건물의 형태가 다양하고 크기가 다르기 때문에 건물 추출 정확도가 낮고 전통적인 분할 모델은 매개변수 수가 많다는 문제를 해결하기 위해, 인코더-디코더 기반의 경량 다중 스케일 차이 네트워크 LMD-Net (Lightweight Multi-scale Difference Network)을 제안하였다. 우선, 단일 특징 처리 단위의 중첩으로 모델 성능이 약화되고 비효율적인 매개변수가 발생하는 것을 방지하기 위해 인코더-디코더 구조의 기능적 차이를 융합하여 경량 차이 모델을 설계하여 성능을 최적화하였다. 둘째, 네트워크가 다중 스케일 대상 특징을 포착하는 능력을 강화하기 위해 다중 스케일 팽창 인지 모듈(Multi-Scale Dilation Perception, MSDP)을 도입하였다. 마지막으로, 이중 융합 메커니즘을 통해 심층 스킵 연결과 심층 디코더 두 그룹의 특징 정보를 효과적으로 집약하여 디코더의 특징 복원 능력을 강화하였다. 경량 다중 스케일 차이 네트워크 LMD-Net의 유효성과 적합성을 검증하기 위해 공개된 WHU building dataset을 데이터 소스로 사용하여, LMD-Net 네트워크와 일반적인 의미 분할 네트워크 및 최근 관련 연구 결과와 비교하여 정확도 및 효율성 평가 실험을 수행하였다. 결과는 LMD-Net 네트워크가 효율성과 정확성 양면에서 뚜렷한 장점을 보이며, 모델의 매개변수와 계산량을 크게 줄이고 IoU와 정확도가 각각 3.23%, 2.57% 향상되었음을 나타낸다. 이는 고해상도 원격 감지 영상 기반 건물 추출 분야에서 본 모델이 도시 공간 정보 데이터베이스에 좋은 가치를 가진다는 것을 보여준다.

고해상도 원격 감지 영상;다중 스케일;건물 추출;인코더-디코더;경량