摘要：建筑物作为人类生活的物质载体，是城市规划、发展、土地利用及土地覆盖分析的重要参考因素。基于监督学习的建筑物自动提取方法通常依赖于大规模、高质量的标注数据，而构建完备的像素级人工标注数据集往往成本高昂。弱监督学习通过利用弱标签作为模型的监督信息，相比全监督学习所需的像素级标签，具有更低的标注成本。本研究基于弱监督学习范式，提出了多种基于图像级标签和边界框标签的建筑物提取方法，有效解决了全监督方法中标注匮乏和高成本的问题，推动了弱监督技术在遥感影像解译领域的广泛应用，也为城市发展和土地利用管理提供了更加高效、可行的解决方案。

跨学科合作方向：基于弱监督学习的建筑物提取方法，作为遥感影像解译领域中的一项重要技术，具有广泛的跨学科合作潜力。该技术结合遥感科学与人工智能领域，遥感影像处理技术和计算机视觉中的弱监督学习算法能够有效应对传统方法中标注数据不足的问题，推动自动化提取方法的进步。其次，跨领域的合作可以拓展至地理信息系统(GIS)与城市规划领域，通过弱监督学习方法提取的建筑物信息，能够为城市发展、土地利用规划及灾害管理提供精准的数据支持。