深度学习在建筑物提取中的应用综述
### 目录
- [深度学习在建筑物提取中的应用综述](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [@[toc](目录)](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [深度学习在建筑物提取中的应用综述](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [一、建筑物提取简介](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [二、深度学习方法分类](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [1. 语义分割（Semantic Segmentation）](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [2. 实例分割（Instance Segmentation）](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [3. 边界感知分割（Boundary-aware Segmentation）](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [4. 多模态融合方法](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [三、主流建筑物提取公开数据集及分析](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [四、数据获取方式及注意事项](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [1. 数据获取方式](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [2. 数据使用注意事项](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [五、模型对比分析（建筑物提取精度）](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [六、相关竞赛推荐](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [七、建筑物矢量化与后处理示例（从预测掩膜转矢量）](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [八、遥感建筑物提取流程图（从影像下载到成果展示）](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [九、使用GEE平台批量下载遥感影像与建筑标签](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
- [十、QGIS/ArcGIS 联动深度学习成果方法](#目录 深度学习在建筑物提取中的应用综述 @toc 深度学习在建筑物提取中的应用综述 一、建筑物提取简介 二、深度学习方法分类 1. 语义分割（Semantic Segmentation） 2. 实例分割（Instance Segmentation） 3. 边界感知分割（Boundary-aware Segmentation） 4. 多模态融合方法 三、主流建筑物提取公开数据集及分析 四、数据获取方式及注意事项 1. 数据获取方式 2. 数据使用注意事项 五、模型对比分析（建筑物提取精度） 六、相关竞赛推荐 七、建筑物矢量化与后处理示例（从预测掩膜转矢量） 八、遥感建筑物提取流程图（从影像下载到成果展示） 九、使用GEE平台批量下载遥感影像与建筑标签 十、QGIS/ArcGIS 联动深度学习成果方法)
深度学习在建筑物提取中的应用综述
一、建筑物提取简介
建筑物提取（Building Extraction）是遥感图像分析中的关键任务，旨在从航空影像、卫星图像或激光雷达数据中自动识别并提取建筑物的边界或轮廓。它在城市规划、地图更新、灾害评估、智慧城市建设等方面具有重要意义。
二、深度学习方法分类
1. 语义分割（Semantic Segmentation）
-
目标：对每一个像素进行分类，判断其是否属于建筑物类别。
-
代表网络：U-Net, SegNet, DeepLabv3+, PSPNet
-
特点：
- 优点：训练稳定、分割精度高
- 缺点：无法区分相邻的多个建筑物，边界模糊时效果较差
2. 实例分割（Instance Segmentation）
-
目标：不仅识别每个像素属于建筑物，还区分每一个单独的建筑体。
-
代表网络：Mask R-CNN, PANet, Cascade Mask R-CNN
-
特点：
- 优点：适用于建筑密集区，便于统计和矢量化
- 缺点：对训练数据要求更高，推理速度较慢
3. 边界感知分割（Boundary-aware Segmentation）
-
目标：强调建筑物轮廓清晰度，提高边缘精度。
-
代表方法：HRNet, Gated-SCNN, BDCN
-
特点：
- 优点：边界处理更细腻
- 缺点：对标签质量要求高
4. 多模态融合方法
- 结合数据源：光学影像 + SAR + LiDAR
- 优势：提高抗遮挡能力，增强建筑物立体识别能力
三、主流建筑物提取公开数据集及分析
| 数据集名称 | 类型 | 分辨率 | 标签类型 | 区域 | 优点 | 缺点 | 获取方式 |
|---|---|---|---|---|---|---|---|
| SpaceNet | 语义/实例 | ~0.3m | 多边形+栅格 | 拉斯维加斯、巴黎等 | 高质量影像+矢量数据，任务分明 | 城市样本偏欧美，分割标签不完全一致 | 官网 |
| Inria Aerial | 语义 | 0.3m | 二值掩膜 | 奥地利、美国等城市 | 标签精确，图像质量高 | 覆盖城市少，缺少多样性 | Inria官方 |
| WHU Building | 语义/实例 | 0.075m | 栅格+矢量 | 中国武汉 | 分辨率极高，适合中国案例研究 | 主要是单一城市，泛化有限 | 官网 |
| Massachusetts | 语义 | 1m | 栅格掩膜 | 波士顿 | 易于入门、样本清晰 | 图像模糊、标签粗糙 | Kaggle |
| DOTA | 实例 | 0.1-0.5m | 旋转框 | 多国机场、港口等 | 多目标检测，建筑物种类丰富 | 标签复杂，非全覆盖 | 官网 |
| Google Open Buildings | 实例（矢量） | 不等 | GeoJSON矢量 | 非洲、亚洲部分地区 | 全球大范围建筑轮廓 | 高度信息缺失，影像源不公开 | Google官网 |
| OpenStreetMap (OSM) | 矢量 | - | building标签 | 全球 | 社区贡献，持续更新 | 数据完整性、精度不一 | Overpass API |
四、数据获取方式及注意事项
1. 数据获取方式
- 官方网站直接下载（如 SpaceNet、Inria、WHU）
- GitHub 资源库（如 WHU、Massachusetts）
- 使用Overpass API或Pyrosm从OSM提取矢量数据
- Google Earth Engine：加载Open Buildings或影像数据
- 自制数据集：配合人工标注工具如LabelMe、VIA构建
2. 数据使用注意事项
- 许可协议：检查是否允许商用、是否需署名（如CC-BY、MIT）
- 数据预处理：需裁剪、归一化、重投影（统一坐标系如WGS84）
- 标签质量：注意矢量标签是否闭合、是否与影像匹配
- 区域适应性：国外数据集模型迁移到国内需fine-tuning
- 格式兼容性：常用格式如GeoTIFF、Shapefile、PNG、GeoJSON
五、模型对比分析（建筑物提取精度）
| 模型 | 方法类别 | 优点 | 缺点 | 平均IoU |
|---|---|---|---|---|
| U-Net | 语义分割 | 快速训练，结构简单 | 边界不清晰 | 0.78 |
| DeepLabv3+ | 语义分割 | 多尺度感受野，精度高 | 推理较慢 | 0.82 |
| Mask R-CNN | 实例分割 | 建筑物区分明显 | 占用内存高 | 0.85 |
| HRNet + Edge Loss | 边界增强 | 边界锐利 | 训练不稳定 | 0.84 |
| Swin-Unet | Transformer | 长距离依赖，表现好 | 参数量大 | 0.86 |
六、相关竞赛推荐
| 比赛名称 | 主办 | 链接 |
|---|---|---|
| 中国软件杯建筑识别挑战赛 | 工信部/高校联盟 | https://www.cnsoftbei.com |
| 阿里天池遥感图像分割挑战赛 | 阿里云天池平台 | https://tianchi.aliyun.com |
| IEEE GRSS Data Fusion Contest | IEEE遥感学会 | https://www.grss-ieee.org/community/technical-committees/data-fusion |
| 百度AI Studio - 遥感地物分类竞赛 | 百度AI平台 | https://aistudio.baidu.com |
| 华为昇腾遥感建筑检测挑战赛 | 华为云昇腾平台 | https://developer.huawei.com |
七、建筑物矢量化与后处理示例（从预测掩膜转矢量）
python
import cv2
import numpy as np
import geopandas as gpd
from shapely.geometry import Polygon
from osgeo import osr
# 将二值掩膜转换为多边形
def mask_to_polygons(binary_mask, transform):
contours, _ = cv2.findContours(binary_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
polygons = []
for cnt in contours:
coords = [transform(pt[0][0], pt[0][1]) for pt in cnt]
poly = Polygon(coords)
if poly.is_valid:
polygons.append(poly)
return gpd.GeoDataFrame(geometry=polygons, crs="EPSG:4326")说明：transform 是像素坐标到地理坐标的转换函数。最终可保存为 GeoJSON 或 Shapefile 用于 GIS 分析。
八、遥感建筑物提取流程图（从影像下载到成果展示）
-
数据准备
- 下载遥感影像（Sentinel-2、Google Maps、GF-2等）
- 下载或制作标签（矢量或栅格）
-
数据预处理
- 裁剪/拼接影像
- 格式转换（GeoTIFF → PNG）
- 标签矢量转掩膜（如使用
rasterio.mask）
-
模型训练与预测
- 构建训练集、验证集
- 选择分割模型（U-Net、DeepLabv3+、Swin-Unet等）
- 训练并保存模型
-
结果后处理
- 二值化预测图 → 膨胀/腐蚀优化边界
- 矢量化 → shapefile/GeoJSON导出
-
成果展示与应用
- 在QGIS/ArcGIS中叠加查看
- 输入到城市规划系统或灾害应急平台中
九、使用GEE平台批量下载遥感影像与建筑标签
javascript
// GEE 示例代码：下载带建筑标签的影像
var roi = ee.Geometry.Rectangle([117.1, 36.6, 117.2, 36.7]);
var image = ee.ImageCollection('COPERNICUS/S2')
.filterBounds(roi)
.filterDate('2022-01-01', '2022-01-31')
.sort('CLOUD_COVER')
.first()
.clip(roi);
Export.image.toDrive({
image: image.select(['B4','B3','B2']),
description: 'sentinel_rgb',
scale: 10,
region: roi
});说明：可进一步结合 Google Open Buildings 数据集下载 GeoJSON 建筑标签。
十、QGIS/ArcGIS 联动深度学习成果方法
- QGIS方式：
- 安装插件【Semi-Automatic Classification Plugin】或【Deep Learning Tool】
- 导入预测栅格图（掩膜图），使用 raster to vector 工具转换
- 叠加原始影像并进行属性计算，如面积、高度估计等
- ArcGIS方式：
- 使用 ArcGIS Pro 3.x 的【Image Analyst】模块
- 导入模型（Esri支持ONNX、TorchScript）
- 使用"深度学习分类工具箱"直接预测栅格或矢量
- 转为 shapefile，并可加入属性字段进行空间统计
本综述系统梳理了深度学习在遥感影像建筑物提取中的主流方法，重点比较语义分割与实例分割的特点与适用场景。结合SpaceNet、WHU、Inria等多个公开数据集，从标签类型、分辨率、区域覆盖等角度评估其优缺点及获取方式。进一步总结常见模型表现，补充数据预处理、格式转换与注意事项。文中还介绍了从遥感影像下载到成果展示的完整流程，包括Google Earth Engine批量下载、QGIS/ArcGIS联动深度学习成果方法，以及建筑物矢量化处理示例，最后推荐多个遥感相关竞赛与实践路径，为研究与应用提供系统参考。
如果有下载数据的需要可以后台私信。