企业官网建设流程全解析

前视声呐（Forward-Looking Sonar）是水下环境感知的重要传感手段之一。相比光学成像，声呐在低照度、浑浊水体以及远距离观测等复杂条件下具有更强的环境适应能力，因此被广泛应用于水下机器人、目标探测、水下搜救和海洋作业等场景。

然而，相比自然图像领域，公开的前视声呐语义分割数据集仍然十分有限。真实声呐数据采集需要专业设备和水下实验环境，而语义分割又依赖逐像素人工标注，进一步增加了数据构建成本。

针对这一问题，大连理工大学软件学院研究团队构建并公开了FSSG（Forward-Looking Sonar Image Semantic Segmentation）数据集。该数据集随相关工作发表于CVPR 2026 Findings，面向前视声呐图像语义分割、水下智能感知以及少标注学习等研究方向。

一、FSSG 数据集概览

FSSG 共包含3,761 张前视声呐图像及对应的像素级语义分割标注，包含背景在内共设置11 个语义类别：

• Background
• Block
• Circle Cage
• Steel Frame
• Concrete Column
• Steel Plate
• Pot
• Square Cage
• Tire
• Underwater Robot
• Diver

这些类别覆盖了多种具有代表性的水下人工目标，同时加入了 **Underwater Robot（水下机器人）**和 **Diver（潜水员）**等与实际水下作业密切相关的目标类型。

图 1. FSSG 数据集的采集过程、声呐与可见光成像示例以及类别分布。

二、真实水下环境中的前视声呐数据采集

FSSG 数据采集于渤海湾真实水域环境，实验采用搭载Oculus M750d 多波束前视声呐的水下机器人进行数据获取。

为了增加数据的多样性，不同水下目标被布置在约3～20 米水深范围内，并从多个角度和距离进行采集。声呐与目标之间的观测距离约为2～15 米，采集过程中使用750 kHz 和 1.2 MHz两种工作频率。

与实验室环境或合成数据相比，这种真实水域采集方式能够保留前视声呐图像中典型的成像特征，例如声学阴影、能量衰减、低纹理以及不同距离下的目标形态变化，为声呐视觉算法提供更加贴近实际应用的数据。

三、像素级标注与真实的长尾类别分布

FSSG 为每张图像提供对应的像素级语义分割 Mask，因此可以直接用于语义分割模型的训练、验证和测试。

与此同时，数据集并没有人为将不同目标类别调整为完全均衡的分布，而是保留了真实采集过程中形成的类别差异。

其中，Steel Plate是样本数量最多的类别，共有1,229 个样本，占约 31%；而Diver是样本最少的目标类别，仅有80 个样本，占约 2%。

这种明显的类别不均衡使 FSSG 同时具有一定的长尾分布特征，因此除了常规语义分割外，也能够用于研究少数类别识别、长尾分割以及低资源条件下的水下目标感知。

四、FSSG 上的语义分割具有哪些挑战？

前视声呐图像与普通 RGB 图像存在显著差异。

声呐图像通常缺少丰富的颜色和纹理信息，目标主要通过回波强度、轮廓以及声学阴影等信息进行区分。同时，不同目标之间可能具有相似的声学响应，小尺寸目标和少数类别也更容易出现漏分割或错误分割。

下面展示了多种语义分割方法在FSSG 数据集仅使用 2% 标注数据时的预测结果。

图 2. FSSG 数据集在 2% 标注条件下的不同语义分割方法预测结果。

可以看到，在极少标注条件下，不同方法对目标完整区域、少数类别以及困难样本的识别能力存在明显差异。这也使 FSSG 不仅能够用于标准的全监督语义分割，还适合用于研究半监督语义分割、少标注学习以及数据高效学习等问题。

五、少数类别与长尾场景

FSSG 中部分目标本身就具有较低的出现频率，因此模型在整体指标之外，对少数类别的识别能力同样值得关注。

论文进一步对 FSSG 中的Tire和Underwater Robot等类别进行了单独比较，用于观察不同方法在长尾类别上的分割表现。

图 3. FSSG 等数据集上的长尾类别分割性能对比。

特别是 Diver 类别，在整个 FSSG 数据集中占比较低。此类数据对于水下人员感知、水下搜救、潜水安全以及稀有目标识别等研究具有较强的实际意义。

六、可以用于哪些研究方向？

FSSG 主要面向前视声呐视觉感知，但其应用并不限于单一的实验设置。基于当前公开的图像和像素级标注，可以开展包括以下方向在内的研究：

• 前视声呐图像语义分割
• Sonar Semantic Segmentation
• 水下目标感知与场景理解
• 水下机器人环境感知
• 半监督语义分割
• 少标注与低标注成本学习
• 长尾语义分割
• 类别不均衡学习
• 稀有水下目标识别
• 声呐图像特征学习
• 水下智能感知

七、论文与数据集

FSSG 数据集及相关方法项目代码目前已经公开。

论文地址：https://arxiv.org/abs/2603.21071

数据集下载：https://pan.baidu.com/s/10qCqdCkPZ_o7hk7KlC74nw?pwd=0516

项目地址：https://github.com/pingggg516/CTFS