La extracción de infraestructura verde a escala comunitaria (CSGI) presenta desafíos debido a la limitada cantidad de datos de entrenamiento y a las diversas escalas de los objetivos. En este artículo, reanotamos un conjunto de datos de entrenamiento de CSGI y proponemos un método de transferencia de aprendizaje en tres etapas que emplea una nueva arquitectura híbrida, MPViT-DeepLab, para ayudarnos a centrarnos en la extracción de CSGI y mejorar su precisión. En MPViT-DeepLab, un Transformador de Visión de Múltiples Rutas (MPViT) actúa como extractor de características, alimentando tanto características gruesas como finas en el decodificador y el codificador de DeepLabv3+, respectivamente, lo que permite la segmentación a nivel de píxel de CSGI en imágenes de teledetección. Nuestro método logra resultados de vanguardia en el conjunto de datos reanotado.