本文介绍了 MagicBathyNet，这是一个用于学习型水深测量和像素级别分类的基准数据集，由 Sentinel2、SPOT-6 和航空影像的图像补丁、栅格格式的水深测量数据和海底类别的注释组成。

May, 2024

DeepFish 提出了一个大规模的、适用于多个计算机视觉任务的数据集，该数据集包含了约 40,000 张图像，覆盖了 20 个热带海洋环境的鱼类栖息地，并且收集了点级别和分割标签，可以用于鱼类数量的自动监测、位置的标识和大小的估计。该数据集可以作为一个测试基准，用于激励在这一具有挑战性的水下计算机视觉领域的进一步发展。

Aug, 2020

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

Coral reefs are vital but threatened, and the paper presents BenthIQ, a transformer-based model that outperforms traditional CNN and attention-based models in the pixel-wise classification of underwater substrates, demonstrated through a case study in French Polynesia.

Nov, 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

本文介绍了 BigEarthNet—— 一个新的大规模多标签 Sentinel-2 基准数据集，它可以为深度学习提供更方便的训练源，并在遥感图像场景分类问题方面显示出明显的优越性。

Feb, 2019

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

使用自主水下航行器，特别是在图像分析方面的创新，以提高准确率和效率，彻底改变了我们从海底获得数据的方式。本文总结和比较了 AUV 海底图像处理中最新的进展，涵盖了从计算机和算法进展到传感器和相机的海洋技术领域。通过阅读本文，您将对使用 AUV 处理海床照片的最新技术和工具有扎实的了解，并且了解它们如何进一步提高我们对海底的理解。

Nov, 2023

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

该研究提出了一种新的方法，通过机器学习和语义分割技术实现了高精度的三维语义地图，从而实现了对珊瑚礁等水下环境的大规模自动分析和监测，降低了劳动力成本，为保护政策提供了更高效的信息。

Sep, 2023