USIS16K|水下图像识别数据集|图像分割数据集

USIS16K是一个高质量的大规模数据集，包含16,151张高分辨率水下图像，涵盖158种不同的水下物体类别。每张图像中的显著物体通过眼动数据识别，并用高质量的实例级掩码进行标注。该数据集免费用于学术研究，不可用于商业用途。

原始信息汇总

USIS16K数据集概述

数据集基本信息

• 名称: USIS16K
• 类型: 水下显著实例分割数据集
• 规模: 16,151张高分辨率水下图像
• 对象类别: 158种不同的水下物体
• 标注方式: 使用眼动数据识别显著对象，并提供高质量的实例级掩码标注
• 分辨率: 高分辨率（具体数值未提供）
• 数据来源: 真实海洋环境

数据集特点

• 高质量: 所有图像均为高质量采集
• 多样性: 涵盖广泛真实水下环境
• 代表性: 包含158种常见水下物体类别
• 层次分类系统: 采用分层分类法系统组织对象

数据获取与使用

• 获取方式: 通过Google Drive下载（链接：https://drive.google.com/file/d/1SIfpJe7rpeL6ZsRzD9ir0mRsKRYehjxb/view?usp=drive_link）
• 使用限制: 仅限学术研究使用，禁止商业用途
• 建议划分比例: 训练集:验证集:测试集 ≈ 7:2:1

基准测试

• 测试方法:
  • 重训练了8种目标检测方法
  • 10种实例分割模型（基于MMDetection框架）
  • 专用模型WaterMask和USIS-SAM
• 结果说明: 12种代表性方法的定性评估结果已展示

相关论文

• 标题: USIS16K: High-Quality Dataset for Underwater Salient Instance Segmentation
• 作者: Lin Hong, Xin Wang, Yihao Li, Xia Wang
• arXiv链接: https://arxiv.org/abs/2506.19472
• 年份: 2025
• 分类: cs.CV

引用格式

bibtex @misc{hong2025usis16khighqualitydatasetunderwater, title={USIS16K: High-Quality Dataset for Underwater Salient Instance Segmentation}, author={Lin Hong and Xin Wang and Yihao Li and Xia Wang}, year={2025}, eprint={2506.19472}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2506.19472}, }

研究目标

• 联合解决水下视觉中的两个关键挑战：
  1. 显著区域预测（where to look）
  2. 实例分割（what is there）
• 促进海洋计算机视觉和海洋机器人领域的研究

AI搜集汇总

数据集介绍

构建方式

USIS16K数据集的构建过程体现了严谨的科学方法论，研究团队通过真实海洋环境中采集的16,151张高分辨率水下图像，构建了这一大规模数据集。特别值得注意的是，数据集中显著对象的标注基于眼动追踪数据，确保了标注的准确性和可靠性。随后，研究团队采用实例级掩码对这些对象进行了高质量标注，并按照7:2:1的比例划分训练集、验证集和测试集，以保证模型的训练和评估效果。

特点

USIS16K数据集以其高质量和多样性著称，涵盖了158种常见水下物体类别，并通过分层分类系统进行系统化组织。数据集的图像覆盖了广泛的真实海洋环境，显著对象的标注基于眼动追踪数据，确保了标注的准确性和可靠性。此外，数据集的规模和高分辨率特性为水下显著实例分割任务提供了丰富的研究素材。

使用方法

USIS16K数据集专为学术研究设计，适用于水下显著实例分割任务的研究。研究人员可以按照数据集提供的7:2:1划分比例进行模型训练和评估。数据集支持多种深度学习方法的评估，包括目标检测和实例分割模型。使用前需注意数据集的非商业用途限制，并引用相关论文以尊重研究团队的贡献。

背景与挑战

背景概述

USIS16K数据集由香港科技大学的Lin Hong等人于2025年创建，旨在推动水下显著实例分割领域的研究。该数据集包含16,151张高分辨率水下图像，覆盖158种典型水下物体类别，通过眼动追踪技术标注了高质量的实例级掩码。作为首个专注于水下环境的多任务视觉数据集，USIS16K创新性地将显著物体检测与实例分割相结合，为海洋计算机视觉和机器人领域提供了关键基准工具。其层次化分类体系和严格的数据划分策略，显著提升了水下场景理解的细粒度研究水平。

当前挑战

水下显著实例分割面临双重技术挑战：复杂水下环境导致的光学畸变、低对比度等成像问题严重干扰显著性检测精度；而珊瑚、藻类等非刚性物体的形态多样性则增加了实例分割的边界判定难度。在数据集构建层面，需克服真实场景样本采集成本高、眼动标注一致性维护困难等实际问题。USIS16K通过多设备协同采集和专家交叉验证，确保了158类物体在训练集、验证集和测试集中的均衡分布，为模型泛化能力评估建立了可靠标准。

常用场景

经典使用场景

USIS16K数据集作为水下显著实例分割领域的高质量基准数据集，广泛应用于海洋计算机视觉研究中。其16,151张高分辨率水下图像覆盖158种不同类别的水下物体，为深度学习模型提供了丰富的训练样本。该数据集通过眼动追踪数据标注显著对象，并辅以高质量的实例级掩码，成为评估目标检测和实例分割算法性能的理想平台。特别是在复杂水下环境中，该数据集能够有效测试模型对模糊、低对比度目标的识别能力。

解决学术问题

USIS16K数据集解决了水下视觉研究中两个关键学术问题：显著目标定位与实例精确分割。传统水下图像分析受限于数据规模和质量，难以支撑深度学习方法的应用。该数据集通过系统化的分层分类体系和精确标注，为水下场景理解提供了可靠的数据基础。其意义在于推动了水下目标检测从粗粒度识别向细粒度实例分割的范式转变，对海洋生物监测、水下机器人导航等研究具有重要支撑作用。

衍生相关工作

围绕USIS16K数据集已衍生出多项重要研究工作，包括专门优化的WaterMask模型和USIS-SAM架构。该数据集被广泛用于验证MMDetection框架中目标检测算法的水下适应性，推动了水下视觉专用网络的创新。相关研究不仅改进了传统实例分割模型在水下的表现，还催生了融合显著性检测与分割任务的新型算法范式，为跨模态水下感知奠定了方法学基础。