Abstract. Building footprint segmentation from satellite and aerial images is an essential and challenging step for high-resolution building map generation. In urban management applications, such as building monitoring, infrastructure development, smart three-dimensional cities, and building change detection, building footprints are required to generate precise multiscale building maps. An efficient deep learning-based segmentation approach is proposed for multiscale building footprint extraction, and the results are presented for the most important challenges in photogrammetry and remote sensing, including shadows and occluded areas, vegetation covers, complex roofs, dense building areas, oblique images, and the generalization capability in different locations. The proposed method includes new dilated convolutional blocks containing kernels with different sizes to learn spectral–spatial relationships in multiscale satellite and aerial images with a high level of abstraction. The quantitative assessments of multiscale images from different locations with different spatial resolutions and spectral details show that the average F1 score and the average intersection over union for extracted footprints are about 86% and 76%, respectively. Compared with the state-of-the-art approaches, the proposed method has outstanding generalization capability and provides better performance for building footprint segmentation from multisensor single images.

中文翻译：

---

基于深度学习的不同传感器遥感RGB图像多尺度建筑分割

摘要。从卫星和航拍图像中分割建筑足迹是高分辨率建筑地图生成的重要且具有挑战性的步骤。在城市管理应用中，例如建筑监控、基础设施开发、智能三维城市和建筑变化检测，需要建筑足迹来生成精确的多尺度建筑地图。提出了一种基于深度学习的高效分割方法用于多尺度建筑足迹提取，并针对摄影测量和遥感中最重要的挑战提出了结果，包括阴影和遮挡区域、植被覆盖、复杂屋顶、密集建筑区域、倾斜图像，以及不同位置的泛化能力。所提出的方法包括新的扩张卷积块，其中包含不同大小的内核，以学习具有高度抽象的多尺度卫星和航空图像中的光谱-空间关系。对来自不同位置、具有不同空间分辨率和光谱细节的多尺度图像的定量评估表明，提取足迹的平均 F1 分数和平均交集分别约为 86% 和 76%。与最先进的方法相比，所提出的方法具有出色的泛化能力，并为从多传感器单图像构建足迹分割提供了更好的性能。对来自不同位置、具有不同空间分辨率和光谱细节的多尺度图像的定量评估表明，提取足迹的平均 F1 分数和平均交集分别约为 86% 和 76%。与最先进的方法相比，所提出的方法具有出色的泛化能力，并为从多传感器单图像构建足迹分割提供了更好的性能。对来自不同位置、具有不同空间分辨率和光谱细节的多尺度图像的定量评估表明，提取足迹的平均 F1 分数和平均交集分别约为 86% 和 76%。与最先进的方法相比，所提出的方法具有出色的泛化能力，并为从多传感器单图像构建足迹分割提供了更好的性能。