수중 어류의 효율적인 모니터링은 해양 생태계 보호, 생물 다양성 평가 및 수산 자원의 지속 가능한 관리를 위한 기초입니다. 수중 복잡한 환경 요인이 검출 안정성과 효율성에 미치는 영향을 해결하기 위해 YOLOv8n 프레임워크를 기반으로 동적 특징 강화 모델 FDN-YOLO(Fish Detection Network YOLO)를 제안합니다. 먼저, 다중 스케일 변형 수용장 모듈(Multi-scale Deformable Receptive Field, MDRF)을 구축하여 유효 수용장을 적응형으로 조절함으로써 백본 네트워크가 다양한 형태와 크기의 어류 객체를 더 잘 표현할 수 있도록 합니다. 둘째, 경량화 다운샘플링 공간 재배치 심층 분리 모듈(Lite Space-to-Depth Depthwise Separable, Lite SPD-DS)을 설계하여 계산 비용을 제어하는 동시에 다운샘플링 단계의 세밀한 공간 단서를 유지합니다. 마지막으로, 적응형 IoU와 Varifocal Loss를 융합한 손실 함수(Adaptive IoU-aware Varifocal Loss, AIVF Loss)를 제안하여 고품질 위치 샘플 학습 능력을 강화하고 클래스 및 샘플 분포 불균형으로 인한 학습 편향을 완화합니다. TF-DET 데이터셋 기반 실험 결과, FDN-YOLO의 mAP50과 mAP50∶95는 각각 2.8%와 2.1% 향상되었으며, 파라미터 수와 연산량은 각각 13.3%와 16.0% 감소했습니다. 비교 일반화 실험을 통해 FDN-YOLO가 정확성, 효율성 및 안정성 간 우수한 균형 성능을 가지며 생태 조사 및 데이터 기반 해양 자원 관리에 적용 가능성을 보여줍니다.

수중 검출;동적 강화;딥러닝;합성곱 신경망;YOLOv8n