A segmentação de edifícios em imagens de sensoriamento remoto é amplamente aplicada no planejamento urbano e em áreas militares, sendo um tema de pesquisa atual no campo do sensoriamento remoto. Para resolver o problema da baixa precisão da segmentação causada pela grande variação de escala entre edifícios, o bloqueio de edifícios e a semelhança entre sombras de edifícios e suas bordas, é proposto um modelo de rede neural convolucional com caminhos paralelos e um mecanismo de atenção forte. Este modelo baseia-se na ideia das conexões residuais da rede ResNet, utilizando a ResNet como rede base para aumentar a profundidade, e emprega o downsampling convolucional para obter caminhos paralelos que extraem características em múltiplas escalas dos edifícios, reduzindo o impacto das variações de escala. Em seguida, adiciona-se um mecanismo de atenção forte para melhorar a fusão das informações multiescala, aumentar a discriminação entre diferentes características e suprimir o efeito do bloqueio e das sombras dos edifícios. Por fim, após a fusão das características multiescala, é adicionado um módulo de pooling espacial em pirâmide para suprimir a aparição de buracos internos nos edifícios nos resultados da segmentação, aumentando a precisão. Experimentos foram realizados nos conjuntos de dados públicos WHU e Massachusetts Buildings, com comparação quantitativa dos resultados da segmentação segundo quatro métricas: MIoU, Recall, Precision e F1-score. No conjunto Massachusetts Buildings, o MIoU atingiu 72,84%, um aumento de 1,46% em relação ao ResUNet-a, mostrando eficácia na melhoria da precisão da segmentação dos edifícios em imagens de sensoriamento remoto.

imagens de sensoriamento remoto; segmentação de edifícios; caminhos paralelos; mecanismo de atenção forte; pooling espacial em pirâmide