수중에서 빛의 굴절 및 산란, 조명의 불균일성으로 인해 물체의 질감이 흐려지며, 수생 생물은 주로 위장된 밀집된 작은 목표물입니다. 또한, 수중 자원 제한 플랫폼은 경량화 및 실시간성에 제약이 있어 이러한 요인들이 함께 수중 목표물 탐지의 난이도를 더욱 가중시킵니다. 이를 위해 본 논문에서는 단일 헤드 자가 주의 메커니즘과 주파수 영역-공간 영역 융합을 적용한 YOLOv8n 개선 모델인 YOLOv8n-SD를 제안합니다. 우선, 동적 채널 비율 분할 단일 헤드 자가 주의 메커니즘을 통해 일부 채널의 장거리 전역 정보를 효율적으로 추출하고, 고효율 특징 추출 블록으로부터 추출된 지역 세부 정보를 융합하여 지역 및 전역 특징의 보완적 강화가 가능한 지역-전역 특징 융합 강화 백본 네트워크를 설계하였습니다. 다음으로, 하르 웨이블릿 변환과 공간-깊이 변환 기반 하향 샘플링 모듈을 설계하여 얕은 고해상도 특징 내 중요한 고주파 및 공간 정보를 융합하는 주파수-공간 효율 융합 넥 네트워크를 구축하였으며, 빠른 정규화 가중치 전략을 채택하여 다중 스케일 특징 융합 효율을 동적으로 최적화하였습니다. 수중 공개 데이터셋 URPC2020 및 RUOD에서 YOLOv8n-SD는 mAP_0.5∶0.95 및 mAP₅₀ 지표에서 각각 51.2%, 85.7%와 50.6%, 85.0%를 달성하였으며, 기준 모델 대비 파라미터 수는 42.3% 감소하고 계산 부하는 17.2% 감소하였습니다. 비교 실험을 통해 본 논문 모델이 다양한 복잡한 수중 환경에서 우수한 탐지 정확도와 견고성을 보임을 추가로 검증하였습니다.

수중 목표 탐지;자가 주의 메커니즘;하르 웨이블릿 변환;소형 목표 탐지