水下鱼类的高效监测是海洋生态系统保护、生物多样性评估和水产资源可持续管理的基础。为应对水下复杂环境因素对检测稳定性和检测效率的影响，基于YOLOv8n框架提出一种动态特征增强模型FDN-YOLO（Fish Detection Network YOLO）。首先，构建多尺度可变形感受野模块（Multi-scale Deformable Receptive Field， MDRF），通过自适应调节有效感受野，使主干网络更充分地表征不同形态与尺度的鱼类目标。其次，设计下采样轻量化空间重排深度可分离模块（Lite Space-to-Depth Depthwise Separable， Lite SPD-DS），在控制计算开销的同时，保留下采样阶段的细粒度空间线索。最后，提出将自适应IoU与Varifocal Loss融合的损失函数（Adaptive IoU-aware Varifocal Loss， AIVF Loss），以强化对高质量定位样本的学习能力，并缓解类别与样本分布不均带来的训练偏置。基于TF-DET数据集的实验结果表明，FDN-YOLO的mAP50与mAP50∶95分别提升2.8%与2.1%，参数量与计算量分别降低13.3%与16.0%。通过对比泛化实验进一步表明，FDN-YOLO在准确性、效率与稳定性之间的优越平衡性能，具备在生态调查与数据驱动的海洋资源管理中的应用潜力。
Xiaolong et al. (Thu,) studied this question.