Devido à ampla variação de escala dos alvos na extração de edifícios a partir de imagens de sensoriamento remoto de alta resolução, à complexidade das texturas nas camadas superiores e à interferência do ambiente de fundo, que levam a problemas como a geração de cavidades internas na extração de grandes edifícios e a perda das características geométricas das bordas em alvos pequenos com modelos tradicionais, este artigo propõe uma arquitetura de rede de fluxo duplo que integra características locais multiescalares e representações espaciais globais. Foi construída uma rede híbrida baseada em um U-Net totalmente simétrico como topologia: na fase de codificação, projetou-se uma pirâmide hierárquica de características para extrair informações locais de textura em múltiplas resoluções, e no estágio mais profundo com resolução espacial de 1/16 do tamanho original, foi embutido um módulo Vision Transformer, utilizando um mecanismo de autoatenção multi-cabeça para modelagem de dependências de longa distância; na fase de decodificação, introduziu-se um mecanismo adaptativo de recalibração dupla de atenção, por meio de módulos de atenção em bloco convolucional em cascata (CBAM) para suprimir o ruído nas características transmitidas pelas conexões de salto nas dimensões espacial e de canal, e fundiu-se um módulo de atenção cruzada para alinhar características multiescalares; no final da rede, foram construídos ramos de saída multitarefa paralelos para segmentação e predição de bordas, utilizando função de perda de borda para otimização conjunta. No conjunto de dados de imagens aéreas WHU, o modelo alcançou uma Interseção sobre União (IoU) de 89,48%, uma pontuação F1 de 94,45%, precisão de 90,12% e recall de 99,21%; em comparação com a arquitetura U-Net, o IoU e a pontuação F1 aumentaram 13,95% e 14,05%, respectivamente. No conjunto de dados ISPRS Potsdam, com fundo complexo, o recall do modelo permaneceu estável em 90,48%. Experimentos de ablação mostraram que a introdução do módulo global de autoatenção aumentou o IoU em 6,67%, melhorando efetivamente a perda das características internas do alvo. Esta arquitetura de rede realiza a extração eficaz da topologia espacial multiescalar de edifícios e dos contornos locais com custo computacional controlável, superando as limitações do campo receptivo local dos modelos convolucionais 2D, e possui valor prático para aplicações em monitoramento da evolução do espaço urbano e atualização de bancos de dados geográficos fundamentais.

Extração de edifícios; segmentação semântica; mecanismo de autoatenção multi-cabeça; recalibração de características; aprendizado multitarefa