Key points are not available for this paper at this time.
हल्के CNN वर्गीकरण मॉडल में मछली के भोजन व्यवहार का विश्लेषण करते समय सटीकता को बढ़ाने के लिए, यह निबंध बाहरी पर्यावरणीय कारकों और प्रकाश की स्थिति के कारण होने वाली इमेज गुणवत्ता समस्याओं को संबोधित करता है, जैसे कि कम कंट्रास्ट और असमान रोशनी, एक बहु-चरण इमेज प्री-एन्हांसमेंट रणनीति (MIPS) का प्रस्ताव करके। इस रणनीति में तीन महत्वपूर्ण चरण शामिल हैं: प्रारंभ में, छवियों को मल्टी-स्केल रेटिनेक्स विथ कलर रेस्टोरेशन (MSRCR) एल्गोरिदम का उपयोग करके प्रारंभिक प्रोसेसिंग का सामना करना पड़ता है, जो पानी की सतह के पराविंबन के प्रभाव को प्रभावी ढंग से कम करता है और छवियों के दृश्य प्रभाव को बढ़ाता है; दूसरे, मल्टी-मेट्रिक-ड्रिवन कंट्रास्ट लिमिटेड एडाप्टिव हिस्टोग्राम समानता (mdc) तकनीक को लागू किया जाता है ताकि विशेष रूप से कम कंट्रास्ट वाले क्षेत्रों में छवि का कंट्रास्ट और भी बेहतर हो सके, स्थानीय कंट्रास्ट स्तरों को समायोजित करके छवि विवरण की स्पष्टता में वृद्धि की जा सके; अंततः, अनशार्प मास्किंग (UM) प्रौद्योगिकी का उपयोग छवियों को तेज करने के लिए किया जाता है, उनके किनारों पर जोर देकर छवि विवरण की स्पष्टता को बढ़ाने के लिए, इस प्रकार समग्र छवि गुणवत्ता को काफी बढ़ा देता है। एक कस्टम डेटासेट पर प्रयोगात्मक परिणामों ने पुष्टि की है कि यह प्री-एन्हांसमेंट रणनीति विभिन्न CNN-आधारित वर्गीकरण मॉडलों की सटीकता को महत्वपूर्ण रूप से बढ़ाती है, विशेष रूप से हल्के CNN मॉडलों के लिए, और उन्नत ResNet मॉडलों के उपयोग की तुलना में मॉडल प्रशिक्षण के लिए आवश्यक समय को भारी रूप से कम कर देती है। यह अनुसंधान जटिल वातावरण में मछली के भोजन व्यवहार के इमेज-आधारित विश्लेषण की सटीकता और दक्षता को सुधारने के लिए एक प्रभावी तकनीकी मार्ग प्रदान करता है।
फेंग एट अल। (बुध,) ने इस प्रश्न का अध्ययन किया।