海洋科学家收集了图像数据进行研究海洋生物多年来，这些图像和视频在基础科学和环境监测任务中非常有价值。然而，目前没有能够处理海洋视觉采样中普遍存在的样本种群的极端变异性、图像质量和栖息地特征的工具。为了充分利用海洋中的视觉数据，创建能够识别图像或视频序列中是否包含新生物、非常规动物集合或者是否越界的模型至关重要。FathomNet2023 竞赛数据集提供了一个真实的情景，其中目标数据中的动物集合与训练数据不同。挑战是在目标图像中识别生物并评估其是否越界。

Jul, 2023

本文介绍了第一个大规模的海底图像语义分割数据集 SUIM，包含八个对象类别的 1500 多张图像像素注释，并介绍一个性能和计算效率平衡的全卷积编码解码模型 SUIM-Net 以及其在海底机器人视觉引导方面的应用。

Apr, 2020

本研究提供了一个新的深海数据集，通过四次不同时间拍摄的同一海底热液喷口的图像，评估了多种长期水下定位技术的效果，对数据进行了分析并揭示了多年来的主要变化。

May, 2023

本研究构建了一个包含超过 20,000 张高分辨率珊瑚图像的数据集，使用了七个深度学习架构并提出了一种新的多标签方法，能够准确分类珊瑚状况和提取生态信息，进而为珊瑚图像档案的开发、指导保育活动以及对礁区管理者和保育人员的决策提供参考。该方法在数据集上表现出优越的性能，并展示了业界最先进技术 (State-Of-The-Art)。未来的研究应提高其适用性和准确性，以支持全球珊瑚保育工作。

Mar, 2024

本研究提供了 Fishnet 开源数据集，该数据集包含 86,029 张图像，涵盖了 34 种物体类别，为电子监控（EM）系统上的鱼类检测和精细分类提供了数据支持，并评估了现有的检测和分类算法的性能。

Jun, 2021

本文提出了一个基于深度学习的高效检测方法和包含多种水下环境的标注数据集，以更精确地定位、分类和移除水下废弃物及海底垃圾，并解决由于光线折射、颜色失真等因素带来的诸多挑战。

May, 2023

通过海底成像技术的发展，建立了全球的海底影像数据库 BenthicNet，以用于支持大规模图像识别模型的培训和评估，初步结果表明它有助于自动化大规模和小规模的图像分析任务。

May, 2024

通过构建大规模的 HICRD 数据集并提出新的基于 unsupervised image-to-image translation 框架、利用对比学习和生成式对抗网络的方法，我们的研究试图弥补基础难题导致的现有技术和算法难以对海底原始图片修复进行全面评估的空白，并在与其他方法的比较中证明了我们的方法的卓越性能。

Jun, 2021

为了提高水下抓取效率，我们标记并建立了第一个真实场景的水下语义分割数据集 (DUT-USEG:DUT Underwater Segmentation Dataset)，并基于此数据集提出了一个重点关注边界的半监督水下语义分割网络 (US-Net: Underwater Segmentation Network)，通过设计伪标签生成器和检测子网，实现了水下物体与背景之间边界的精细学习，并改善了边缘区域的分割效果，实验表明该方法在 DUT-USEG 数据集中的三类动物物种 (海葵，海胆和海星) 上提高了 6.7％的性能，达到了最先进的结果。

Aug, 2021

本文通过对海底图像进行感知研究来评估现有算法在实际数据中的表现，并提出了一个海底图像增强基准 (UIEB) 数据集，包括 950 张真实图像以及涉及卷积神经网络的算法，以此来评估现有算法的性能和局限性。

Jan, 2019