La segmentación de edificios en imágenes de teledetección se utiliza ampliamente en la planificación urbana y en el ámbito militar, siendo un tema de investigación actual en el campo de la teledetección. Para abordar el problema de la baja precisión en la segmentación causado por las grandes variaciones de escala entre edificios, el bloqueo de edificios y la similitud entre sombras de edificios y bordes de edificios, se propone un modelo de red neuronal convolucional con caminos paralelos y un mecanismo de atención fuerte. Este modelo se basa en la idea de conexiones residuales de la red ResNet, utilizando ResNet como red base para aumentar la profundidad y emplea un muestreo hacia abajo convolucional para obtener caminos paralelos que extraen características multiescala de los edificios, reduciendo el impacto de las variaciones de escala. Luego se incorpora un mecanismo de atención fuerte para mejorar la fusión de la información multiescala, aumentar la discriminación entre diferentes características y suprimir el efecto del bloqueo y las sombras de los edificios. Finalmente, después de fusionar las características multiescala, se añade un módulo de agrupación espacial piramidal para suprimir la aparición de agujeros internos dentro de los edificios en los resultados de segmentación y mejorar la precisión. Se realizaron experimentos en los conjuntos de datos públicos WHU y Massachusetts Buildings, cuantificando y comparando los resultados de segmentación con cuatro métricas: MIoU, Recall, Precision y F1-score. En el conjunto Massachusetts Buildings, el MIoU alcanzó un 72.84%, un aumento del 1.46% en comparación con ResUNet-a, demostrando una mejora efectiva en la precisión de segmentación de edificios en imágenes de teledetección.

imágenes de teledetección; segmentación de edificios; caminos paralelos; mecanismo de atención fuerte; agrupación espacial piramidal