1.一种基于自监督学习的海面遥感图像船舶检测方法SS R-CNN，该方法包括基于自监督的特征学习网络和改进的Mask R-CNN检测网络两部分，其具体步骤如下：S1，收集船舶遥感图像，图像为分辨率不低于96dpi的彩色RGB图像；S2，利用无标注海面图像，根据设定的自监督任务more-way cutpaste，完成特征网络的训练；S21，设置自监督任务more-way cutpaste，通过不含船舶的海面图像生成包含模拟船舶的图像I′；(a)获取不包含船舶的海面图像I，计算海面图像的面积S；(b)设置模拟船舶区域的长宽比例区间[R 1 ，R 2 ]，以及占图像面积的百分比区间[P 1 ，P 2 ]，参数R 1 ，R 2 ，P 1 ，P 2 根据标注数据集中船舶的形状及面积选取，具体方式为：选取数值R 1 ，R 2 ，P 1 ，P 2 ，使得标注数据集中至少有70％的船舶的面积位于区间[P 1 S，P 2 S]中，且70％以上船舶的长宽比位于区间[R 1 ，R 2 ]；(c)以任意图像坐标点为顶点，以均匀分布随机选取r i ∈[R 1 ，R 2 ]，p i ∈[P 1 ，P 2 ]绘制矩形框，并获取其对应的图像块I p ；若绘制矩形超出图像边界则剔除重新绘制；(d)对(c)中图像块绕其中心点进行旋转，旋转角度从区间[-45°，45°]中任意选取；(e)对(d)中图像块进行颜色抖动，并获取颜色抖动后的图像I′ p ，具体方法包括图像的亮度、对比度、饱和度及色相随机变化为原图的90％～110％；(f)将(e)中的图像块随机粘贴在图像I的任意区域，对原图I中内容进行覆盖，若超出边界重新选择另一区域，得到包含模拟船舶的新图像I′；(g)重复操作(c)-(f)c次，获取包含模拟船舶的图像I′，令c为其对应分类标签，其中c为介于1和M的随机整数，参数M的选取根据数据集中船舶的数量确定，具体为：选取满足下列条件的最小的正整数M，使得：训练图像样本中含有船只数目不超过M的图像的比例＞90％；S22，将模拟的图像I′输入到特征网络中，经提取器F学习特征后，由分类器C预测模型所属类别c，其中特征提取器采用ResNet50卷积神经网络，该网络层数为50，共有4个Block；分类器C是一个常用MLP模块，其输入维度为2048，输出维度为6，隐藏层维度为300，隐藏层使用ReLU激活函数，输出层激活函数是Sigmoid函数；S23，计算损失并更新模型参数；基于交叉熵损失函数计算经验损失，经验损失为：其中，N为训练集的样本数量，M是分类器输出的类别数，分类标签c＝0表示相应的图像样本中没有船只，p ic 是第i张图像预测为第c类的概率，y ic 表示第i张图像是否属于第c类，如果第i张图像属于第c类，那么y ic ＝1，否则为0；基于自监督任务的特征网络并最小化经验损失L more-way ，通过误差反向传播更新参数，并完成网络训练；S24，将分类器C冻结，取特征提取器F作为检测网络的特征提取模块；S3，将含有船舶的待检测图像输入特征网络，并根据产生的特征图由改进的MaskR-CNN网络完成船舶的检测并确定船舶位置；S31，对Mask R-CNN网络的改进包括：对Mask R-CNN中的FPN网络进行精简，将原FPN网络的深层特征图去除，将原构架[200、100、50、25、13]5种尺寸的特征图简化为[200、100、50]三种尺寸的特征图。
