摘要

基于视觉的水体及其周边相关物体的语义分割，为水资源管理与洪涝应急响应提供了重要信息。然而，水体相关类别缺乏大规模的标注训练与测试数据集，严重制约了计算机视觉领域对水体相关问题的研究进展。为解决这一难题，本文提出ATLANTIS——一个面向水体及关联物体语义分割的新基准数据集。ATLANTIS包含5,195张水体图像，并配有高质量的像素级人工标注，涵盖56类物体，包括17类人工物体、18类自然物体以及21类通用类别。本文对ATLANTIS数据集进行了详尽分析，并在该基准上评估了多种先进的语义分割网络模型。此外，本文还提出一种新型深度神经网络AQUANet，该网络通过两条独立路径分别处理水体区域与非水体区域，以实现更精准的水体语义分割。AQUANet进一步引入低层特征调制与跨路径特征调制机制，以增强特征表示能力。实验结果表明，所提出的AQUANet在ATLANTIS数据集上的表现优于现有各类先进语义分割模型。我们声明，ATLANTIS是目前规模最大的水体图像语义分割数据集，覆盖了丰富多样的水体及水相关类别，将为计算机视觉与水资源工程领域的研究人员提供重要支持。