Debido a la gran escala de los objetivos, la complejidad de las texturas superiores y la interferencia del entorno de fondo en la extracción de edificios en imágenes de teledetección de alta resolución, lo que provoca que los modelos tradicionales generen fácilmente vacíos internos en edificios grandes y pierdan características geométricas límite en objetivos pequeños, este artículo propone una arquitectura de red de doble flujo que fusiona características locales multiescala y representaciones espaciales globales. Se construye una red híbrida basada en una U-Net totalmente simétrica: en la etapa de codificación, se diseña una pirámide jerárquica de características para extraer información de textura local en múltiples resoluciones, y se incrusta un módulo Vision Transformer en la capa más profunda con resolución espacial 1/16 del tamaño original, utilizando un mecanismo de atención automática multi-cabeza para modelar dependencias a larga distancia; en la etapa de decodificación, se introduce un mecanismo de recalibración adaptativa de doble atención, que mediante módulos de atención de bloques convolucionales en cascada (CBAM) suprime el ruido en las características transmitidas por las conexiones de salto en dimensiones espacial y de canal, y se fusiona un módulo de atención cruzada para alinear características multiescala; al final de la red, se construyen ramas de salida multitarea paralelas para segmentación y predicción de bordes, utilizando una función de pérdida de borde para la optimización conjunta. En el conjunto de datos de imágenes aéreas WHU, el modelo alcanzó un IoU del 89,48%, una puntuación F1 del 94,45%, una precisión del 90,12% y un recall del 99,21%; en comparación con la arquitectura U-Net, el IoU y la puntuación F1 aumentaron en un 13,95% y 14,05%, respectivamente. En el conjunto de datos ISPRS Potsdam con fondo complejo, la tasa de recall del modelo se mantiene estable en 90,48%. Los experimentos de ablación muestran que la introducción del módulo de autoatención global aumentó el IoU en un 6,67%, mejorando eficazmente la pérdida de características internas del objetivo. Esta arquitectura de red logra extraer eficazmente la topología espacial y los contornos locales de edificios multiescala con un costo computacional controlado, compensando las limitaciones del campo receptivo local de los modelos convolucionales 2D, y tiene un valor práctico en aplicaciones como la monitorización de la evolución urbana y la actualización de bases de datos geográficas.

extracción de edificios;segmentación semántica;mecanismo de atención auto-multicabeza;recalibración de características;aprendizaje multitarea