[发明专利]基于GCAM的高分辨率SAR图像机场跑道区自动检测方法及系统

权利要求书

1.一种基于GCAM的高分辨率SAR图像机场跑道区自动检测方法，其特征在于，包括：

1)对高分辨率SAR图像进行下采样生成中等分辨率图像；

2)将中等分辨率图像输入到地理空间上下文注意力机制网络GCAM提取跑道区；

3)针对提取得到的跑道区进行坐标映射，获得最终的高分辨率SAR图像的检测结果。

2.根据权利要求1所述的基于GCAM的高分辨率SAR图像机场跑道区自动检测方法，其特征在于，步骤1)中对高分辨率SAR图像进行下采样具体是指采用像素值抽取的方法对SAR图像进行5倍下采样处理。

3.根据权利要求1所述的基于GCAM的高分辨率SAR图像机场跑道区自动检测方法，其特征在于，所述地理空间上下文注意力机制网络GCAM包括编码块和解码块，编码块包括残差网络ResNet、多尺度挤压金字塔MSP和边缘细化模块EDM，所述残差网络ResNet用于对输入数据集进行特征提取得到初步特征，所述多尺度挤压金字塔MSP用于针对初步特征从不同分辨率上以不同池化卷积层操作来获取全局上下文信息，边缘细化模块EDM用于针对初步特征加强网络边缘提取能力，多尺度挤压金字塔MSP、边缘细化模块EDM的输出进一步融合得到多层次特征；解码块用于结合初步特征、多层次特征来进行机场跑道区的语义分割来提取跑道区。

4.根据权利要求3所述的基于GCAM的高分辨率SAR图像机场跑道区自动检测方法，其特征在于，所述残差网络ResNet为在残差网络ResNet_101的基础上将空洞率为2、4、8和16的空洞卷积替代普通二维卷积后得到的改进残差网络。

5.根据权利要求3所述的基于GCAM的高分辨率SAR图像机场跑道区自动检测方法，其特征在于，所述多尺度挤压金字塔MSP包括多感受野并行池化工作层和有效注意力模块eSE，所述多感受野并行池化工作层由一个空洞率为1的1×1卷积、三个空洞率分别为6,12,18的3×3卷积、一个全局平均池化模块GAP和一个条纹池化模块SP并行搭建而成；所述条纹池化模块SP针对输入大小为H×W的二维特征张量，利用带状池化窗口H×1在水平方向进行池化操作、带状池化窗口1×W在垂直方向上进行池化操作，分别对池化核内的元素值求平均得到水平方向上条纹池化的输出、垂直方向上条纹池化的输出，然后针对水平方向上条纹池化的输出、垂直方向上条纹池化的输出分别使用两个一维卷积对输出进行左右方向和上下方向的扩张，且扩张后两个特征图的尺寸相同，再将扩张后两个特征图进行融合，最后将原始数据和对融合进行Sigmoid处理后的数据进行相乘作为最终得到的H×W的二维特征张量输出；所述有效注意力模块eSE针对输入特征图Xi首先通过全局平均池化来学习的特征F_avg，将特征F_avg通过全连接层处理得到权重矩阵W_C，将权重矩阵W_C通过Sigmoid函数来重新调整提取得到的通道注意力特征A_eSE，然后将通道注意力特征A_eSE应用到输入的特征图Xi得到精细化特征图X_refine，最后将精细化特征图X_refine进行特征再筛选获得全局上下文信息。

6.根据权利要求3所述的基于GCAM的高分辨率SAR图像机场跑道区自动检测方法，其特征在于，所述边缘细化模块EDM包括用于增强了特征图与像素分类层的密切联系和处理不同分辨率特征图的能力以获得全局信息的全局卷积模块GCB、从全局信息上提高编码块的边缘提取能力的边缘细化模块BR；所述全局卷积模块GCB包括k×k的大卷积核和特征组合模块，所述k×k的大卷积核包括两路，一路由k×1×c×c的卷积和1×k×c×c的卷积组成，另一路由1×k×c×c的卷积和k×1×c×c的卷积组成，其中c为通道数量，两路的输出结果一起输入特征组合模块得到特征Sum_W×H×C；所述边缘细化模块BR针对特征Sum_W×H×C依次通过小卷积核、激活函数、小卷积核处理，然后将处理结果叠加到原始的特征Sum_W×H×C上，最终得到精细化跑道区边缘后的特征图。