声纳图像数据集：资源、挑战与应用的综合调查
计算机视觉与模式识别
2025-10-07 v1
摘要
声纳图像对于推进水下探索、自主导航和生态系统监测具有重要意义。然而，进展取决于数据可用性。大量公开、准确标注的声纳图像数据集的稀缺性为开发健壮机器学习模型的进程埋下了显著瓶颈。本文提出了当前声纳图像数据集全景综述，旨在不仅概述现有资源，还将其加以背景化、识别空白并提供清晰路线图，为任何希望开始或在水下声学数据分析领域取得进展的研究人员提供基础指南。我们梳理了跨各种声纳模态的公开可访问数据集，包括侧扫声纳（SSS）、前视声纳（FLS）、合成孔径声纳（SAS）、多束声呐（MBES）和双频识别声纳（DIDSON）。对应用进行了分析，包括分类、检测、分割和3D重建。本工作聚焦于最新进展，纳入新近发布的数据集。研究结果被整合为一张综合表格和时间线，为数据集的特性、规模和标注细节提供了清晰易懂的比较。
引用
@article{arxiv.2510.03353,
title = {Sonar Image Datasets: A Comprehensive Survey of Resources, Challenges, and Applications},
author = {Larissa S. Gomes and Gustavo P. Almeida and Bryan U. Moreira and Marco Quiroz and Breno Xavier and Lucas Soares and Stephanie L. Brião and Felipe G. Oliveira and Paulo L. J. Drews-Jr},
journal= {arXiv preprint arXiv:2510.03353},
year = {2025}
}
备注
Published in the Conference on Graphics, Patterns and Images (SIBGRAPI). This 4-page paper presents a timeline of publicly available datasets up to the year 2025