得益于高效的全局信息交互机制，视觉Transformer（Vision Transformers, ViTs）已在遥感（Remote Sensing, RS）图像中的建筑物提取任务中得到广泛应用。然而，遥感图像中的建筑物在尺寸上通常存在显著差异。当前主流的基于ViT的遥感图像分割模型多以Swin Transformer为基础，其在ViT模块内部缺乏多尺度信息建模能力。此外，这些方法仅将整个ViT编码器模块的输出传递给解码器，忽略了ViT编码器内部注意力图之间的相似性信息，难以向解码器提供更优的全局依赖关系。为解决上述问题，本文提出一种新型的Shunted Transformer结构，使模型能够在内部有效捕捉多尺度信息的同时，充分建立全局依赖关系，从而构建一个纯ViT架构的U型网络用于建筑物提取。此外，与以往U型结构中采用的单一路跳连接（single skip connection）不同，本文设计了一种新颖的双路跳连接结构。该结构同时将ViT编码器内部的注意力图及其整体输出传递至解码器，充分挖掘ViT编码器的深层信息，并为解码器提供更优的全局信息引导。因此，所提出的模型命名为Shunted Dual Skip Connection UNet（SDSC-UNet）。为进一步融合多层级特征，我们还设计了一种名为双路跳连接上采样融合模块（Dual Skip Upsample Fusion Module, DSUFM）的特征融合机制，以高效聚合来自不同层级的信息。实验结果表明，本模型在Inria航空图像标注数据集（Inria Aerial Image Labeling Dataset）上取得了当前最优（State-of-the-Art, SOTA）的分割性能，交并比（IoU）达到83.02%。代码已开源，访问地址为：https://github.com/stdcoutzrh/BuildingExtraction。