目的 近年来，深度学习用于提取影像中的建筑物信息已经成为遥感领域研究热点之一，为了准确高效地提取遥感影像中的建筑物信息。方法 使用ResNet替换U-Net的骨干网络，并以此为基础进行改进，融合自校正卷积(SCCnov)和高效通道注意力(ECA),构建了一种新的建筑物提取网络模型。使用马萨诸塞州建筑物数据集设计消融实验，对所构建的网络模型的提取精度和实际效果进行对比分析，并使用WHU数据集验证网络的普适性，同时使用安徽某矿区的无人机影像数据集设计了迁移性实验，验证所构建网络的迁移能力。结果 所构建的网络在mIoU、mPrecision和mRecall 3个指标上分别达到了82.89%、92.26%和88.32%,较改进前分别提升了1.70%、1.08%和1.19%;另外，在迁移性实验中，网络在mIoU、mPrecision和mRecall 3个指标上分别达到88.66%、94.37%和93.19%。结论 本文所提出的SCEC-Unet在建筑物提取中具有良好的效果，且在独立小建筑物，异形建筑以及边缘建筑物的提取中表现较好，同时该网络具有良好的迁移能力，可用于矿区建筑物提取任务的迁移学习。

矿山环境与灾害协同监测煤炭行业工程研究中心开放基金资助项目(KSXTJC202202)；

1 研究方法
1.1 骨干网络与残差单元
1.2 SCConv和ECA
1)自校正卷积(SCConv)
2)高效通道注意力(ECA)
3)SCEC-Unet
2 实验与分析
2.1 数据集和预处理
2.2 实验环境
2.3 评价指标
2.4 消融实验
2.5 对比实验
3 模型迁移性验证
4 结论

[1]郭辉,刘新哲.基于改进U-Net的遥感影像建筑物识别[J].安徽理工大学学报(自然科学版),2024,44(05):18-27.