Эффективный мониторинг подводных рыб является основой для защиты морских экосистем, оценки биоразнообразия и устойчивого управления водными ресурсами. Для противодействия снижению надежности и эффективности обнаружения из-за сложных факторов подводной среды в данной статье предлагается модель динамического усиления признаков FDN-YOLO (Fish Detection Network YOLO), построенная на базе YOLOv8n. Во-первых, создан модуль MDRF (многоуровневое деформируемое приемное поле), который адаптивно регулирует эффективное рецептивное поле, позволяя основной сети лучше представлять рыбы различных форм и размеров; во-вторых, разработан модуль понижения пространства Lite SPD-DS (Lite Space-to-Depth Depthwise Separable), который эффективно сохраняет тонкие пространственные признаки на этапе понижающей дискретизации при контроле вычислительных затрат; наконец, предложена функция потерь AIVF Loss (адаптивная IoU-ориентированная многофокусная потеря), которая усиливает обучение образцов с высокой точностью локализации и снижает смещение обучения из-за неравномерного распределения классов и образцов. Экспериментальные результаты на датасете TF-DET показывают улучшение mAP50 и mAP50∶95 для FDN-YOLO на 2,8% и 2,1% соответственно, при этом количество параметров и вычислительная нагрузка уменьшились на 13,3% и 16,0% соответственно. Сравнительные эксперименты по обобщению демонстрируют превосходный баланс между точностью, эффективностью и устойчивостью, что свидетельствует о потенциале применения в экологических исследованиях и управлении морскими ресурсами на основе данных.

подводное обнаружение;динамическое усиление;глубокое обучение;сверточные нейронные сети;YOLOv8n