GBU-UCOD

GBU-UCOD是由哈尔滨工程大学与大湾区大学联合创建的首个高分辨率（2K）水下伪装物体检测基准数据集，专注于海洋垂直分带研究。该数据集包含1,052组图像-掩码对，覆盖从表层（0-200米）至超深渊带（4000米+）的典型生物样本，尤其包含大量透明生物和脆弱拓扑结构的深海生物标注。数据通过严格像素级标注策略采集，重点保障了纤细肢体（如触须）的拓扑连贯性。该数据集旨在解决现有浅水数据集的深度偏差问题，为深海光学衰减环境和复杂生物形态的算法研究提供关键数据支持。

GBU-UCOD is the first high-resolution (2K) benchmark dataset for underwater camouflage object detection, co-developed by Harbin Engineering University and Greater Bay Area University, focusing on marine vertical zonation research. This dataset contains 1,052 sets of image-mask pairs, covering typical biological samples from the surface layer (0-200 meters) to the hadal zone (4000 meters and above), and includes a large number of annotations for transparent organisms and deep-sea creatures with fragile topological structures. The dataset was collected with strict pixel-level annotation strategies, with particular emphasis on ensuring the topological coherence of slender appendages such as tentacles. This dataset aims to address the depth bias issue of existing shallow-water datasets, and provides critical data support for algorithm research on deep-sea optical attenuation environments and complex biological morphologies.

原始信息汇总

GBU-UCOD数据集概述

数据集名称

GBU-UCOD

数据集来源

• 代码仓库地址：https://github.com/Wuwenji18/GBU-UCOD

数据集描述

根据提供的README文件内容，该数据集未提供进一步的详细描述、背景、数据内容、格式、规模或使用方式等信息。

搜集汇总

数据集介绍

构建方式

在海洋垂直分带研究的背景下，GBU-UCOD数据集的构建旨在填补深海伪装目标检测领域的数据空白。该数据集通过系统性的垂直分层采样策略构建，覆盖了从0米至4000米以上的广阔深度范围，并首次将高分辨率（2K）图像采集延伸至深渊带和超深渊带。数据收集过程严格依据光照条件划分了透光层、弱光层和无光层三个垂直生态区，共包含1052对高质量的图像-掩码标注对。标注工作特别注重深海生物纤细附肢的拓扑结构完整性，采用像素级精细标注策略，确保了如触手等脆弱形态的连续性与准确性，为模型提供了学习复杂深海拓扑特征的可靠基础。

特点

GBU-UCOD数据集的核心特点在于其首次实现了对海洋垂直分带的系统性覆盖与高分辨率表征。与以往局限于浅水区的数据集不同，该数据集重点纳入了深渊及超深渊带的极端生物样本，这些生物常呈现高度透明或具有脆弱细长拓扑结构，视觉特征极其微弱。数据分布并非追求类别平衡，而是真实反映了深海观测中伪装生物与形态脆弱生物占主导的生态现实，从而构成了对模型鲁棒性与泛化能力的严峻考验。其高分辨率特性与针对拓扑完整性的精细标注，共同使其成为评估深海伪装目标检测方法在极端光学退化与复杂形态挑战下性能的权威基准。

使用方法

该数据集主要服务于水下伪装目标检测模型的训练与评估。研究者可将GBU-UCOD作为独立的训练集或与MAS3K、RMAS等现有浅水数据集结合，以提升模型跨深度区域的泛化能力。在具体使用中，输入的高分辨率图像通常需经过预处理（如缩放至统一尺寸），并与像素级真值掩码配对输入网络。数据集的垂直分区特性允许进行分区评估，以深入分析模型在不同光照与退化条件下的表现差异。其提供的精细拓扑标注尤其适用于驱动那些专注于保持生物形态连通性的先进算法，如论文中提出的DeepTopo-Net框架，通过端到端训练优化模型在极端深海环境下的分割精度与结构保真度。

背景与挑战

背景概述

水下伪装目标检测作为海洋计算机视觉的前沿领域，致力于识别与周围环境高度融合的海洋生物。然而，现有研究多聚焦于浅海区域，缺乏针对深海极端环境的专门数据。为此，哈尔滨工程大学与粤港澳大湾区大学的研究团队于2026年联合发布了GBU-UCOD数据集，这是首个专为海洋垂直分层设计的高分辨率基准。该数据集覆盖从透光层到深渊带的广泛深度，包含1052张2K分辨率图像，重点采集了深渊与超深渊带的独特生物样本，填补了深海伪装目标检测的数据空白，为自主水下航行器的智能感知任务提供了关键支撑。

当前挑战

GBU-UCOD数据集旨在解决深海环境中伪装目标检测的核心难题，其挑战主要体现在两个方面。在领域问题层面，深海环境存在严重的光学衰减与非均匀散射，导致目标与背景的视觉相似度极高；同时，深海生物常呈现透明躯体或纤细脆弱的拓扑结构，现有模型难以保持其形态完整性。在构建过程中，数据采集面临深渊带人工照明干扰大、生物样本稀少且形态特殊等困难；标注阶段需对透明边界与极细附肢进行精确的像素级勾勒，确保拓扑连接的准确性，这对标注人员的专业性与细致度提出了极高要求。

常用场景

经典使用场景

在海洋垂直分层视觉感知研究中，GBU-UCOD数据集作为首个覆盖从透光层到深渊带的高分辨率基准，为深海伪装目标检测提供了关键数据支撑。该数据集最经典的应用场景在于评估和开发能够适应不同深度光学衰减特性的算法模型。研究人员利用其包含的透光层、弱光层和深渊带样本，系统验证模型在复杂水下环境中的鲁棒性，特别是针对透明生物和纤细肢体的拓扑结构保持能力，推动了水下计算机视觉从浅海向深海研究的范式转移。

实际应用

在实际应用层面，GBU-UCOD数据集为自主水下航行器的智能感知系统开发提供了重要测试平台。基于该数据集训练的模型能够显著提升AUV在深海资源勘探中的目标识别精度，例如在海底热液喷口区域的生物群落监测、深海矿产资源勘查等任务中实现更可靠的自主感知。同时，该数据集支撑的算法进步也为海洋生态学研究提供了新的技术手段，使得科研人员能够通过视觉系统更准确地识别和统计具有伪装特性的深海生物种群。

衍生相关工作

围绕GBU-UCOD数据集衍生的经典研究工作主要体现在算法架构创新与评估体系完善两个维度。在算法层面，该数据集催生了DeepTopo-Net等融合黎曼几何与拓扑感知的新型网络架构，推动了WCAP模块和ATRM模块等专门针对深海光学退化和结构断裂问题的解决方案。在评估体系方面，基于该数据集建立的垂直分层测试标准，促进了MAS-SAM、SAM2-UNet等现有方法的适应性改进，并催生了针对深海场景的专用评估指标，形成了从数据基准到方法创新的完整研究生态。