수중 영상으로부터 해양 생물을 자동 분류하는 것은 확장 가능한 해양 생물 다양성 모니터링 및 보존 정책을 위해 필수적입니다. 기존의 접근 방식들은 수집 플랫폼 간의 심각한 도메인 변화 (domain shift), 밀접하게 연관된 종 사이의 미세한 시각적 유사성, 그리고 많은 표본이 속 (genus) 또는 더 거친 분류 단계로만 식별될 수 있는 불균형한 주석 세밀도 (annotation granularity) 문제로 인해 어려움을 겪고 있습니다. 본 논문에서는 훈련 손실 (training loss)과 추론 규칙 (inference rule)을 생물학적 분류의 계층적 구조와 정렬하는 분류 체계 인지형 (taxonomy-aware) 딥러닝 프레임워크를 제시합니다. 이 프레임워크는 분류 체계 가중 손실 (taxonomy-weighted loss), 최소 위험 베이지안 추론 (minimum-risk Bayesian inference), 다중 스케일 특징 인코딩 (multi-scale feature encoding), 그리고 계층별 독립 분류 헤드 (independent per-rank classification heads)를 결합합니다. 7개의 분류 단계에 걸친 79개 해양 클래스를 포함하는 FathomNet 2025 데이터셋1에서 평가한 결과, 본 시스템은 1위 솔루션(1.535)의 3% 이내인 1.581의 평균 분류학적 거리 (mean taxonomic distance)를 달성했습니다. 가장 큰 성능 향상은 메트릭 정렬 추론 (metric-aligned inference)과 분포 변화 (distribution shift) 상황에서 학습된 의존성보다 더 나은 일반화 성능을 보이는 단순하고 분리된 구성 요소들로부터 얻어졌습니다.