Marine Debris Forward-Looking Sonar datasets

Marine Debris Forward-Looking Sonar datasets是由荷兰格罗宁根大学人工智能系等机构创建的三个场景（水槽、转盘、淹没采石场）下的海洋垃圾前视声纳数据集。该数据集包含多种计算机视觉任务，如对象分类、对象检测、语义分割、补丁匹配和无监督学习等。数据集在水槽和转盘场景中捕获了2627和2150个样本，在淹没采石场场景中捕获了7209个样本。该数据集可用于理解声纳图像和开发人工智能模型的研究。

Marine Debris Forward-Looking Sonar datasets were developed by the Department of Artificial Intelligence of the University of Groningen in the Netherlands and other institutions, covering three experimental scenarios: flume tank, rotating turntable, and submerged quarry. This dataset supports a diverse suite of computer vision tasks, including object classification, object detection, semantic segmentation, patch matching, and unsupervised learning, to name a few. A total of 2,627 samples were collected in the flume tank scenario, 2,150 in the rotating turntable scenario, and 7,209 in the submerged quarry scenario. This dataset serves as a valuable resource for research on sonar image interpretation and the development of artificial intelligence models.

搜集汇总

数据集介绍

构建方式

Marine Debris Forward-Looking Sonar数据集通过三种不同场景（水槽、转盘、淹没采石场）构建，旨在提升数据多样性并支持多种计算机视觉任务。数据采集使用了ARIS Explorer 3000前视声纳传感器，其高分辨率（2.3毫米/像素）能够清晰捕捉海底人造碎片的细节。水槽场景通过遥控潜水器在受控环境中采集物体图像；转盘场景通过旋转物体增加姿态多样性；淹没采石场场景则提供真实环境下的无标注数据，适用于无监督学习。所有数据均经过专家标注，包含物体分类、边界框、语义分割等多种标注类型。

使用方法

使用该数据集时需根据任务类型选择相应子集：分类任务推荐采用水槽或转盘场景的标注数据，检测与分割任务需使用水槽场景的全尺寸图像及对应XML/PASCAL VOC格式标注。对于无监督学习，采石场场景的全尺寸图像可通过滑动窗口生成任意数量的图像块。预处理建议对图像进行min-max归一化，分类任务输入尺寸推荐96×96像素，检测任务建议300×300分辨率以获得最佳性能。数据集以HDF5和PNG格式存储，提供标准训练/验证划分，所有数据遵循CC-NC-SA许可协议。特别注意处理声纳图像特有的极坐标投影区域，可通过洪水填充算法提取有效声学视场。

背景与挑战

背景概述

Marine Debris Forward-Looking Sonar datasets由Matias Valdenegro-Toro等研究人员于2025年发布，旨在解决水下机器人感知领域的关键问题。该数据集由德国人工智能研究中心、格罗宁根大学等机构联合开发，聚焦于海洋底部人造垃圾的声纳图像识别。作为首批公开的声纳图像数据集之一，它填补了水下计算机视觉领域公开数据的空白，为声纳图像分类、目标检测、语义分割等任务提供了重要基准。数据集包含三种不同环境（水箱、转台、淹没采石场）的采集场景，显著提升了数据的多样性，对推动水下人工智能技术的发展具有里程碑意义。

当前挑战

该数据集面临的核心挑战主要体现在两个方面：领域问题方面，声纳图像与光学图像存在显著差异，导致传统计算机视觉模型直接迁移效果不佳，且水下小目标检测受限于声纳分辨率；数据构建方面，声纳采集受水体环境干扰严重，标注过程需专家介入，成本高昂。具体挑战包括：多角度声纳反射造成的图像伪影、水下光照条件导致的低信噪比、小尺寸垃圾目标的精确分割困难，以及缺乏有效的声纳专用自监督学习方法。此外，数据规模虽为当前最大公开声纳数据集，但仍远小于主流光学数据集，限制了深度模型的训练潜力。

常用场景

经典使用场景

Marine Debris Forward-Looking Sonar数据集在水下机器人感知领域具有广泛的应用价值，尤其在声纳图像分类、目标检测和语义分割任务中表现突出。该数据集通过水槽、转台和淹没采石场三种不同场景的设置，提供了多样化的声纳图像样本，涵盖了塑料瓶、金属罐、链条等典型海洋垃圾物体。研究人员可利用该数据集训练深度学习模型，提升水下声纳图像解析能力，为海洋环境监测和垃圾清理提供技术支持。

解决学术问题

该数据集有效解决了水下声纳图像研究领域缺乏公开基准数据的难题。传统声纳图像多用于军事目标检测，而此数据集专注于民用领域的海洋垃圾识别，填补了研究空白。通过提供多任务标注（如目标分类、材料识别等），该数据集支持迁移学习和自监督学习研究，促进了声纳图像处理算法的创新。其丰富的场景设置（实验室环境与真实水下场景）为模型泛化性能评估提供了可靠平台。

实际应用

在实际应用中，该数据集支撑了自主水下航行器(AUV)的海洋垃圾监测系统开发。基于此数据集训练的模型可部署于海底勘探设备，实现塑料、金属等垃圾的自动识别与定位。在海洋环境保护领域，相关技术已应用于海底垃圾分布测绘，为清洁行动提供数据支持。此外，数据集中的转台场景数据被用于研究声纳成像中物体旋转特征的稳定性，对水下目标识别系统的鲁棒性提升具有重要意义。

数据集最近研究

最新研究方向

近年来，Marine Debris Forward-Looking Sonar datasets在海洋环境监测与水下机器人感知领域引起了广泛关注。该数据集通过水槽、转台和淹没采石场三种不同场景的声纳图像采集，为海洋塑料垃圾等人工碎片的检测与分类提供了多任务基准。前沿研究主要聚焦于声纳图像的小样本学习、跨模态迁移学习以及自监督特征表示等方向，特别是在复杂水下环境中如何提升模型对微小目标的识别精度成为热点课题。该数据集的发布填补了声纳影像领域公开数据的空白，为开发环保型水下清理机器人的智能感知系统提供了重要支撑，同时推动了声学成像与计算机视觉的交叉学科发展。

相关研究论文

• The Marine Debris Forward-Looking Sonar Datasets

  荷兰格罗宁根大学人工智能系, 德国卡尔斯鲁厄理工学院, 英国赫瑞瓦特大学海洋系统实验室, 德国人工智能研究中心 · 2025年