Die visionbasierte semantische Segmentierung von Gewässern und benachbarten Objekten liefert wertvolle Informationen für die Bewirtschaftung von Wasserressourcen und die Bewältigung von Überschwemmungsnotfällen. Allerdings behindert das Fehlen großer, gut beschrifteter Trainings- und Testdatensätze für gewässerbezogene Klassen die Forschung zu gewässerbezogenen Fragestellungen im Bereich des Computer Vision. Um dieses Problem anzugehen, präsentieren wir ATLANTIS, einen neuen Benchmark für die semantische Segmentierung von Gewässern und zugehörigen Objekten. ATLANTIS umfasst 5.195 Bilder von Gewässern sowie hochwertige pixelgenaue manuelle Annotationen von 56 Objektklassen, darunter 17 Klassen künstlicher Objekte, 18 Klassen natürlicher Objekte und 21 allgemeine Klassen. Wir analysieren ATLANTIS detailliert und evaluieren mehrere state-of-the-art-Netzwerke für semantische Segmentierung auf unserem Benchmark. Zudem wurde ein neuartiges tiefes neuronales Netzwerk, AQUANet, entwickelt, das zur semantischen Segmentierung von Gewässern speziell die aquatischen und nicht-aquatischen Regionen über zwei unterschiedliche Pfade verarbeitet. AQUANet integriert zudem Modulationen auf niedriger Ebene und Kreuzpfad-Modulation zur Verbesserung der Merkmalsdarstellung. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene AQUANet andere state-of-the-art-Netzwerke für semantische Segmentierung auf ATLANTIS übertrifft. Wir behaupten, dass ATLANTIS derzeit der größte Datensatz für die semantische Segmentierung von Gewässern ist, der eine breite Palette von Gewässer- und gewässerbezogenen Klassen bereitstellt, und somit Forschern im Bereich des Computer Vision sowie der Wasserressourcen-Technik zugutekommt.