В связи с большими масштабами целей, сложной верхней текстурой и помехами на фоне при извлечении зданий из высокоразрешённых дистанционных зондирований традиционные модели часто создают внутренние пустоты в крупных зданиях и теряют геометрические характеристики границ мелких объектов. В данной работе предложена двухпоточная сеть, объединяющая многоуровневые локальные признаки и глобальное пространственное представление. Построена гибридная сеть на основе полностью симметричной U-Net: на этапе кодирования разработана иерархическая пирамида признаков для извлечения локальной текстуры с множеством разрешений, а на самом глубоком уровне с пространственным разрешением 1/16 от оригинала внедрён модуль Vision Transformer с механизмом многоголового самовнимания для моделирования долгосрочных зависимостей; на этапе декодирования введён адаптивный механизм двойного внимания с каскадными свёрточными блоками внимания (CBAM) для подавления шума в признаках переходных соединений по пространственным и канальным измерениям, а также интегрирован модуль кросс-внимания для выравнивания многоуровневых признаков; на выходе сети сформированы параллельные многозадачные ветви сегментации и прогнозирования границ с функцией потерь для границ для совместной оптимизации. На датасете воздушных снимков WHU достигнут индекс совпадения (IoU) 89,48%, F1-меры 94,45%, точности 90,12% и полноты 99,21%; по сравнению с архитектурой U-Net IoU и F1 увеличились на 13,95% и 14,05% соответственно. На сложном фоновом датасете ISPRS Potsdam полнота стабильно держится на уровне 90,48%. Абляционный анализ показал, что внедрение глобального модуля самовнимания повысило IoU на 6,67%, эффективно улучшая потерю внутренних признаков объектов. Данная архитектура сети при контролируемых вычислительных затратах обеспечивает эффективное извлечение пространственной топологии и локальных контуров многоуровневых зданий, компенсируя ограничения локального рецептивного поля двумерных свёрточных моделей, что имеет практическую ценность для мониторинга городского развития и обновления географических баз данных.

извлечение зданий;семантическая сегментация;многоголовое самовнимание;переоценка признаков;многозадачное обучение