استخراج المباني يهدف إلى فصل بيكسلات المباني من صور الاستشعار عن بعد ويلعب دورًا مهمًا في العديد من التطبيقات، مثل التخطيط الحضري ومراقبة الديناميكية الحضرية. خلال السنوات القليلة الماضية، حققت طرق التعلم العميق ذات هياكل الترميز-التفكيك أداءً ملحوظًا بفضل قدرتها على تمثيل الخصائص بشكل قوي. ومع ذلك، بسبب الاختلافات في أحجام وأنماط المباني، تعاني النماذج التقليدية للتعلم العميق دائمًا من توقعات غير مؤكدة ولا تستطيع التمييز بدقة بين المساحات الكاملة للمباني والتوزيع المعقد للأجسام الأرضية، مما يؤدي إلى درجة كبيرة من الإغفال والإدراك الخاطئ. في هذا البحث، ندرك أهمية التوقع غير المؤكد ونقترح شبكة جديدة وبسيطة تعرف بشبكة الوعي بالشكوك (UANet) لتخفيف هذه المشكلة. لتحقق من أداء شبكتنا المقترحة UANet، أجرينا تجارب واسعة على ثلاثة مجموعات بيانات عامة للمباني، بما في ذلك مجموعة بيانات المباني WHU ومجموعة بيانات المباني في ماساتشوستس ومجموعة بيانات الصور الجوية لـ Inria. أظهرت النتائج أن الشبكة المقترحة UANet تتفوق على خوارزميات الطليعة الأخرى بمقدار كبير.