Marine scientists use remote underwater image and video recording to survey fish species in their natural habitats. This helps them get a step closer towards understanding and predicting how fish respond to climate change, habitat degradation and fishing pressure. This information is essential for developing sustainable fisheries for human consumption, and for preserving the environment. However, the enormous volume of collected videos makes extracting useful information a daunting and time-consuming task for a human being. A promising method to address this problem is the cutting-edge deep learning (DL) technology. DL can help marine scientists parse large volumes of video promptly and efficiently, unlocking niche information that cannot be obtained using conventional manual monitoring methods. In this paper, we first provide a survey of computer visions (CVs) and DL studies conducted between 2003 and 2021 on fish classification in underwater habitats. We then give an overview of the key concepts of DL, while analysing and synthesizing DL studies. We also discuss the main challenges faced when developing DL for underwater image processing and propose approaches to address them. Finally, we provide insights into the marine habitat monitoring research domain and shed light on what the future of DL for underwater image processing may hold. This paper aims to inform marine scientists who would like to gain a high-level understanding of essential DL concepts and survey state-of-the-art DL-based fish classification in their underwater habitat.

中文翻译：

---

水下栖息地鱼类分类的计算机视觉和深度学习：一项调查

海洋科学家使用远程水下图像和视频记录来调查自然栖息地的鱼类。这有助于他们更进一步了解和预测鱼类如何应对气候变化、栖息地退化和捕捞压力。这些信息对于发展供人类消费的可持续渔业和保护环境至关重要。然而，大量收集的视频使得提取有用信息对人类来说是一项艰巨且耗时的任务。解决这个问题的一个有前途的方法是尖端的深度学习（DL）技术。深度学习可以帮助海洋科学家快速高效地解析大量视频，解锁使用传统手动监控方法无法获得的利基信息。在本文中，我们首先对 2003 年至 2021 年间进行的关于水下栖息地鱼类分类的计算机视觉 (CV) 和深度学习研究进行了调查。然后，我们概述了 DL 的关键概念，同时分析和综合了 DL 研究。我们还讨论了为水下图像处理开发 DL 时面临的主要挑战，并提出了解决这些问题的方法。最后，我们提供了对海洋栖息地监测研究领域的见解，并阐明了 DL 用于水下图像处理的未来可能会发生什么。本文旨在为希望深入了解基本 DL 概念并调查其水下栖息地中基于 DL 的最先进鱼类分类的海洋科学家提供信息。然后，我们概述了 DL 的关键概念，同时分析和综合了 DL 研究。我们还讨论了为水下图像处理开发 DL 时面临的主要挑战，并提出了解决这些问题的方法。最后，我们提供了对海洋栖息地监测研究领域的见解，并阐明了 DL 用于水下图像处理的未来可能会发生什么。本文旨在为希望深入了解基本 DL 概念并调查其水下栖息地中基于 DL 的最先进鱼类分类的海洋科学家提供信息。然后，我们概述了 DL 的关键概念，同时分析和综合了 DL 研究。我们还讨论了为水下图像处理开发 DL 时面临的主要挑战，并提出了解决这些问题的方法。最后，我们提供了对海洋栖息地监测研究领域的见解，并阐明了 DL 用于水下图像处理的未来可能会发生什么。本文旨在为希望深入了解基本 DL 概念并调查其水下栖息地中基于 DL 的最先进鱼类分类的海洋科学家提供信息。我们提供了对海洋栖息地监测研究领域的见解，并阐明了 DL 用于水下图像处理的未来可能会发生什么。本文旨在为希望深入了解基本 DL 概念并调查其水下栖息地中基于 DL 的最先进鱼类分类的海洋科学家提供信息。我们提供了对海洋栖息地监测研究领域的见解，并阐明了 DL 用于水下图像处理的未来可能会发生什么。本文旨在为希望深入了解基本 DL 概念并调查其水下栖息地中基于 DL 的最先进鱼类分类的海洋科学家提供信息。