يُعَد الكشف الفعال عن أسماك تحت الماء أساسًا لحماية النظام البيئي البحري، وتقييم التنوع البيولوجي، والإدارة المستدامة للموارد السمكية. لمواجهة ضعف المتانة والكفاءة في الكشف بسبب عوامل البيئة المعقدة تحت الماء، تقترح هذه الورقة نموذج تعزيز السمات الديناميكي FDN-YOLO (شبكة اكتشاف الأسماك YOLO) بناءً على إطار YOLOv8n. أولاً، يتم بناء وحدة MDRF (مجال الاستقبال المتغير متعدد المقاييس)، التي تضبط مجال الاستقبال الفعال بشكل تكيفي لتمكين الشبكة الأساسية من تمثيل أهداف الأسماك ذات الأشكال والأحجام المختلفة بشكل أفضل؛ ثانيًا، تم تصميم وحدة الإسقاط لأسفل Lite SPD-DS (Lite Space-to-Depth Depthwise Separable) التي تحافظ على إشارات الفضاء الدقيقة أثناء تقليل الحمل الحسابي؛ وأخيرًا، تم اقتراح دالة الخسارة AIVF Loss (خسارة متغيرة متعددة البؤر مع IoU تكيفي) التي تعزز تعلم العينات ذات المواقع عالية الجودة وتخفف من التحيز الناتج عن توزيع الفئات والعينات غير المتوازن. تظهر نتائج التجارب على مجموعة بيانات TF-DET أن mAP50 وmAP50∶95 لـ FDN-YOLO تحسنت بنسبة 2.8% و2.1% على التوالي، في حين تم تقليل عدد المعلمات والحمل الحسابي بنسبة 13.3% و16.0% على التوالي. تؤكد تجارب التعميم مقارنة على التوازن الممتاز بين الدقة والكفاءة والمتانة، مما يدل على إمكانات التطبيق في الاستقصاءات البيئية وإدارة الموارد البحرية القائمة على البيانات.

الكشف تحت الماء;التعزيز الديناميكي;التعلم العميق;الشبكات العصبية الالتفافية;YOLOv8n