تُعد عملية تقسيم المباني في الصور الجوية الضخمة تحديًا كبيرًا، خصوصًا بالنسبة للمباني الصغيرة في البيئات الحضرية الكثيفة والمعقدة. كما تُشكل المباني ذات الهياكل المعقدة والأشكال الهندسية المتنوعة بشكل كبير عقبة إضافية في مهمة تقسيم المباني في الصور الساتلية. في هذا العمل، نقترح معالجة مشكلة اكتشاف وتقسيم المباني الصغيرة ذات الأشكال المعقدة في صور السواتل الإلكترونية البصرية (EO) والصور الساتلية ذات الموجات الراديوية (SAR). نُقدِّم معمارية جديدة تُسمى الشبكة العميقة المتعددة المقاييس المُتعددة (DeepMAO)، والتي تتضمن فرعًا مُتعدد المقاييس يركز على السمات البنائية الدقيقة، وفرعًا ناقصًا (U-Net) مُخصصًا لاستخلاص السمات الشاملة والغنية بالمعنى على مستوى عريض. بالإضافة إلى ذلك، نقترح استراتيجية تكبير ذاتية التحكم جديدة تُسمى "Loss-Mix"، والتي تهدف إلى تعزيز تمثيل البكسلات التي تم تصنيفها بشكل خاطئ. تتميز DeepMAO بالبساطة والكفاءة في تحديد دقيق للمباني الصغيرة والمعقدة هندسيًا. أظهرت النتائج التجريبية على مجموعة بيانات SpaceNet 6، على كلا النمطين EO وSAR، بالإضافة إلى مجموعة بيانات INRIA، أن DeepMAO تحقق أداءً متميزًا في تقسيم المباني، بما في ذلك المباني الصغيرة والمعقدة الشكل، مع زيادة ضئيلة جدًا في عدد المعاملات. علاوة على ذلك، يسهم وجود الفرع المُتعدد في DeepMAO في التصدي لضوضاء التداخل (speckle noise) المميزة لصورة النمط SAR.