水中魚類の効率的な監視は、海洋生態系の保護、生物多様性の評価、および水産資源の持続可能な管理の基盤です。水中の複雑な環境要因が検出の安定性と効率に与える影響に対処するため、YOLOv8nフレームワークに基づき動的特徴強化モデルFDN-YOLO（Fish Detection Network YOLO）を提案しました。まず、多尺度変形受容野モジュール（Multi-scale Deformable Receptive Field、MDRF）を構築し、有効受容野を適応的に調整することで、バックボーンネットワークが異なる形態とスケールの魚類ターゲットをより十分に表現できるようにしました。次に、軽量なダウンサンプリング空間再配置深度分離モジュール（Lite Space-to-Depth Depthwise Separable、Lite SPD-DS）を設計し、計算コストを抑制しつつダウンサンプリング段階の微細な空間手掛かりを保持しました。最後に、適応型IoUとVarifocal Lossを融合した損失関数（Adaptive IoU-aware Varifocal Loss、AIVF Loss）を提案し、高品質な位置サンプルの学習能力を強化し、クラスおよびサンプルの分布不均衡による学習バイアスを緩和しました。TF-DETデータセットに基づく実験結果は、FDN-YOLOのmAP50およびmAP50∶95がそれぞれ2.8％および2.1％向上し、パラメータ数および計算量はそれぞれ13.3％および16.0％削減されたことを示しています。比較による汎化実験は、FDN-YOLOが精度、効率、安定性の間で優れたバランス性能を持ち、エコロジカル調査およびデータ駆動型の海洋資源管理に応用可能であることをさらに示しています。

水中検出;動的強化;ディープラーニング;畳み込みニューラルネットワーク;YOLOv8n