ZooplanktonBench

ZooplanktonBench数据集是一个包含海洋浮游动物图像和视频的基准数据集，其中包含丰富的地理空间元数据，例如地理坐标、深度等。该数据集定义了一系列任务，用于在具有挑战性的环境中检测、分类和跟踪浮游动物，包括高度杂乱的环境、活体与非活体分类、形状相似的物体以及相对较小的物体。该数据集为最先进的计算机视觉系统提供了独特的挑战和机遇，以在具有巨大变化和地理感知能力的动态环境中提高视觉理解能力。该数据集可用于海洋科学研究和机器学习领域，有助于准确监测浮游动物丰度并理解其种群变化。

The ZooplanktonBench dataset is a benchmark dataset containing marine zooplankton images and videos, with rich geospatial metadata including geographic coordinates, water depth and other relevant information. This dataset defines a series of tasks for detecting, classifying and tracking zooplankton in challenging scenarios, including highly cluttered environments, living vs. non-living classification, morphologically similar objects and relatively small-sized organisms. This dataset offers unique challenges and opportunities for state-of-the-art computer vision systems to enhance visual understanding in dynamic environments with substantial variations and geospatial awareness. This dataset can be applied in marine scientific research and machine learning fields, helping to accurately monitor zooplankton abundance and understand their population dynamics.

搜集汇总

数据集介绍

构建方式

ZooplanktonBench数据集构建于北部墨西哥湾(nGOM)这一生物生产力极高的海域，采用拖曳式浮游生物成像系统(In Situ Ichthyoplankton Imaging System, ISIIS)在三个固定深度(10米、25米和35米)采集图像数据。该系统以2.5米/秒的恒定速度拖曳，通过点光源和线扫描相机以16Hz频率获取生物阴影图像。每张图像均关联地理坐标、深度、温度等海洋环境元数据。原始图像经平场校正后，由海洋生物学专家通过ImageJ软件进行人工标注，共完成285,733个生物个体的裁剪与分类，涵盖17个主要浮游动物类别。

特点

该数据集的核心价值在于其地理感知特性与复杂场景挑战性。所有样本均附带精确的地理空间元数据，包括经纬度坐标、深度及水体理化参数，为研究浮游生物分布与环境因子的关联提供了独特视角。数据场景具有高度复杂性：10米浅层富含'海雪'干扰物，25米过渡层生物组成均衡，35米深层背景相对纯净。样本类别呈现显著不平衡，如箭虫(Chaetognath)占比达82.2%，而某些稀有类如栉水母仅22个样本。此外，活体浮游生物与形态相似的海雪颗粒间的细微差异，构成了极具挑战性的细粒度分类问题。

使用方法

数据集支持多种计算机视觉任务范式。在基础应用层面，研究者可利用标注的边界框和类别信息，开展浮游生物的检测与细粒度分类，评估指标采用mAP50和mAP50-95。进阶任务包括活体生物与海雪的二元分类，该任务要求模型区分形态相似的生物与非生物颗粒。数据集特别设计了多深度跨环境验证轨道，支持模型在10m/25m/35m不同背景复杂度下的泛化能力测试。对于视频分析，提供未标注的活体浮游生物游动视频，可与ByteTrack等追踪算法结合，探索时序信息对分类性能的提升。所有任务均鼓励结合地理元数据进行多模态学习。

背景与挑战

背景概述

ZooplanktonBench是由美国乔治亚大学和德克萨斯大学奥斯汀分校的研究团队于2025年推出的一个具有地理空间感知能力的浮游动物识别与分类数据集。该数据集聚焦于海洋生态系统中浮游动物的监测与识别问题，旨在解决传统计算机视觉工具在处理浮游动物图像时面临的挑战。浮游动物作为海洋食物链的关键组成部分，其种群动态对海洋生态系统健康和渔业资源预测具有重要意义。数据集包含来自墨西哥湾北部不同水深（10米、25米和35米）的374,378张图像和视频，并附有丰富的地理元数据。ZooplanktonBench不仅为海洋科学研究提供了宝贵资源，也为计算机视觉领域在复杂动态环境中的目标检测与识别提出了新的研究课题。

当前挑战

ZooplanktonBench面临的核心挑战主要体现在两个方面：领域问题的挑战和构建过程的挑战。在领域问题方面，数据集需要解决浮游动物与海洋雪花（marine snow）的高相似性识别难题，以及在不同水深环境下对稀有物种（如鱼类幼体）的精确分类问题。构建过程中的挑战包括：1) 在高度复杂的海洋背景中准确标注微小浮游动物（5mm至数厘米）的耗时过程（共耗费800人时）；2) 处理成像系统在动态海洋环境中采集的阴影图像的技术难题；3) 整合多源异构数据（包括图像、视频和地理传感器数据）的挑战；4) 应对不同水深环境下图像质量和背景复杂度的显著差异。这些挑战使得ZooplanktonBench成为测试计算机视觉系统在复杂动态环境中性能的理想基准。

常用场景

经典使用场景

ZooplanktonBench数据集在海洋科学研究中扮演着关键角色，特别是在浮游动物识别与分类领域。该数据集通过提供丰富的图像和视频数据，结合地理空间元数据，为研究人员在复杂海洋环境中进行浮游动物的检测、分类和追踪提供了重要支持。其经典使用场景包括在高度杂乱的环境中区分浮游动物与海洋雪，以及在不同水深条件下进行精细分类。

实际应用

在实际应用方面，ZooplanktonBench为海洋生态监测和渔业资源评估提供了有力工具。通过自动化浮游动物识别系统，研究人员能够更高效地监测海洋生态系统的健康状况，预测渔业资源的变动趋势。数据集还可用于开发智能海洋监测设备，帮助科学家在实地调查中快速获取和分析浮游动物数据。

衍生相关工作

ZooplanktonBench的发布催生了一系列相关研究。基于该数据集，研究者开发了改进的目标检测算法，如针对小目标和复杂背景优化的YOLO变体。此外，数据集还被用于探索多模态学习，结合图像和地理空间数据进行更精准的分类。一些工作还尝试利用视频数据提升静态图像分类性能，推动了计算机视觉在海洋科学中的交叉应用。