수체의 굴절과 산란, 불균일한 조명으로 인해 목표물의 질감이 흐려지며, 수중 생물은 대부분 위장된 밀집된 작은 목표물이고, 수중 자원이 제한된 플랫폼은 경량화와 실시간성에 제약이 있어 이러한 요소들이 수중 목표물 탐지의 난이도를 가중시킨다. 이에 본 논문에서는 단일 헤드 자기 주의 메커니즘과 주파수 영역-공간 영역 융합을 적용한 YOLOv8n 개선 모델인 YOLOv8n-SD를 제안한다. 우선, 동적 채널 비율 분할을 통한 단일 헤드 자기 주의 메커니즘을 통해 일부 채널의 장거리 전역 정보를 효율적으로 추출하고, 고효율 특징 추출 블록과 융합하여 국부 및 전역 특징의 상호 보완적 강화를 구현하는 국부-전역 특징 융합 강화 백본 네트워크를 설계하였다. 둘째, 하르 웨이브렛 변환과 공간-깊이 변환 기반 다운샘플링 모듈을 설계하여 얕은 고해상도 특징 내 중요한 고주파 및 공간 정보를 융합하고, 빠른 정규화 가중치 전략을 채용하여 다중 스케일 특징 융합 효율을 동적으로 최적화하는 주파수-공간 융합 효율적 넥 네트워크를 구축하였다. 공개된 수중 데이터셋 URPC2020 및 RUOD에서 YOLOv8n-SD의 mAP_0.5∶0.95 및 mAP₅₀ 지표는 각각 51.2%, 85.7% 및 50.6%, 85.0%를 달성하였다. 동시에 기준 모델 대비 파라미터 수는 42.3% 감소하였으며, 계산 부하는 17.2% 경감되었다. 비교 실험을 통해 본 모델이 다양한 복잡한 수중 환경에서 우수한 검출 정확도와 견고성을 보임을 추가로 검증하였다.

수중 목표 탐지;자기 주의 메커니즘;하르 웨이브렛 변환;소형 목표 검출