UDD

UDD数据集由大连理工大学-立命馆大学国际信息与软件学院的研究团队创建，包含2227张4K高清图像，涵盖海参、海胆和扇贝三个类别。该数据集是首个在真实开放海域农场收集的4K高清数据集，用于模拟真实的水下抓取环境。通过使用水下机器人和潜水员携带的4K高清相机在中国的獐子岛进行图像采集，UDD数据集旨在解决水下目标检测中的类别不平衡和小目标问题，支持水下机器人自动抓取任务，提高效率并保护潜水员健康。

The UDD dataset was created by a research team from the School of International Information and Software, Dalian University of Technology-Ritsumeikan University. It contains 2227 4K high-definition images covering three categories: sea cucumber, sea urchin, and scallop. As the first 4K high-definition dataset collected in real open-sea farms, it is used to simulate realistic underwater grasping environments. Images were acquired at Zhangzi Island, China, using 4K high-definition cameras carried by underwater robots and divers. The UDD dataset aims to resolve the class imbalance and small target issues in underwater object detection, support automatic grasping tasks for underwater robots, improve efficiency, and protect divers' health.

搜集汇总

数据集介绍

构建方式

UDD数据集的构建采用了真实开放海域养殖环境中的4K高清摄像机进行图像采集，涵盖了海参、海胆和扇贝三类目标，共计2227张图像。为了模拟真实的水下抓取环境，研究人员使用水下机器人和潜水员携带4K高清摄像机在真实海域进行拍摄。此外，通过Poisson GAN技术，UDD数据集被扩展为包含约18,000张图像的AUDD数据集和包含590,000张图像的预训练数据集，进一步增强了数据集的多样性和实用性。

特点

UDD数据集的特点在于其高分辨率和真实场景的多样性。作为首个在真实开放海域养殖环境中采集的4K高清数据集，UDD提供了丰富的图像细节和复杂的背景信息。此外，数据集中存在明显的类别不平衡问题，海胆的数量远多于海参和扇贝，且大多数目标物体尺寸较小，这为水下目标检测任务带来了额外的挑战。数据集还通过Poisson GAN生成的扩展数据集AUDD，有效缓解了类别不平衡问题，并提供了更多的训练样本。

使用方法

UDD数据集的使用方法主要包括训练和评估水下目标检测模型。研究人员首先在AUDD数据集上训练检测器，并使用预训练数据集进行参数初始化，以提高模型的泛化能力。Poisson GAN生成的图像可以自然地嵌入少数类目标，并通过自动标注增加训练样本的多样性。此外，AquaNet作为高效的目标检测网络，专门设计用于处理水下图像中的大量小目标检测任务，其轻量级结构和多尺度特征融合模块使其在保持高精度的同时具备较高的计算效率。

背景与挑战

背景概述

UDD（Underwater Dataset for Detection）数据集由大连理工大学的研究团队于2020年提出，旨在提升水下机器人在开放海域养殖环境中的目标抓取能力。该数据集包含2,227张4K高清图像，涵盖海参、海胆和扇贝三类目标，是首个在真实开放海域养殖环境中采集的高分辨率数据集。UDD的创建为水下目标检测领域提供了重要的基准数据，推动了水下机器人自动化抓取技术的发展。该数据集不仅为研究者提供了高质量的训练和测试数据，还通过Poisson GAN和AquaNet等创新方法，解决了类不平衡和小目标检测等关键问题。

当前挑战

UDD数据集面临的挑战主要包括以下几个方面：首先，水下图像采集成本高昂，导致现有数据集数量有限且质量参差不齐，难以满足后续研究需求。其次，由于不同海产品的经济价值差异，数据集中存在严重的类不平衡问题，少数类样本（如海参和扇贝）的检测效果较差。此外，水下图像中的目标通常较小且分布密集，增加了检测难度。最后，水下机器人抓取系统对检测算法的效率和精度要求极高，如何在有限的计算资源下实现高效的小目标检测是另一大挑战。构建过程中，研究团队还面临了如何生成高质量合成数据以解决类不平衡问题，以及如何设计轻量级网络以提升检测效率等技术难题。

常用场景

经典使用场景

UDD数据集主要用于水下机器人抓取任务中的目标检测研究。该数据集包含海参、海胆和扇贝三类海洋生物的高清图像，特别适用于开发和研究水下环境中的目标检测算法。通过提供真实海洋农场环境下的4K高清图像，UDD为研究人员提供了一个接近实际应用场景的基准数据集。

衍生相关工作

UDD数据集衍生了许多相关研究工作，特别是在水下目标检测和数据增强领域。基于UDD，研究人员提出了Poisson GAN用于生成高质量的水下图像，并设计了轻量级检测网络AquaNet。此外，UDD还推动了大规模增强数据集AUDD和预训练数据集的构建，为水下目标检测模型的训练和优化提供了更多可能性。

数据集最近研究

最新研究方向

近年来，UDD数据集在推动水下机器人抓取技术的研究中发挥了重要作用。该数据集通过提供高分辨率的4K图像，显著提升了水下目标检测的精度和效率。前沿研究主要集中在利用生成对抗网络（GAN）进行数据增强，以解决类别不平衡问题。特别是，Poisson GAN通过结合Poisson混合和双重限制损失（DR loss），能够生成更为逼真的图像，有效缓解了少数类样本不足的问题。此外，AquaNet作为一种高效的目标检测网络，通过多尺度上下文特征融合（MFF）模块和多尺度模糊采样（MBP）模块，显著提升了在浑浊水下环境中检测大量小目标的能力。这些技术的结合不仅推动了水下机器人抓取技术的发展，也为海洋养殖的自动化和智能化提供了强有力的支持。

相关研究论文

• A New Dataset, Poisson GAN and AquaNet for Underwater Object Grabbing

  大连理工大学-立命馆大学国际信息与软件学院 · 2021年