Dieser Artikel kombiniert universelle Erkennung und Prototyp-Bibliotheksabgleich und schlägt einen domänenadaptiven Erkennungsrahmen basierend auf selbstüberwachten visuellen Repräsentationen vor. Die Methode nutzt vortrainierte Merkmale von DINOv3 für Abgleich und Filterung, um Zielfahrzeuge bei wenigen annotierten Proben und ohne Feinabstimmung zu lokalisieren und zu unterscheiden. Zunächst wurde ein mehrwinkeliger synthetischer Datenverstärkungsvorverarbeitungsmodul entwickelt, das Mehrwinkelproben generiert, um Vogelperspektiven-Überwachungsszenen auszurichten und den Blickwinkelverlust in domänenübergreifenden Szenarien auszugleichen. Anschließend wurde eine interklassige Cluster- und Prototypenabgleichsmethode entworfen, die mit Clustering-Algorithmen Datenmodi erkundet und eine Prototypenbibliothek mit vielfältigen realen Formen zur Lösung großer innerklassiger Unterschiede aufbaut; darauf aufbauend wird eine globale und lokale gemeinsame Repräsentation eingeführt, die semantische und texturale Details auf verschiedenen Netzwerkschichten kombiniert, um eine feinkörnige Unterscheidung der Zielfahrzeuge zu erreichen. Experimente zeigen, dass die Methode unter wenigen Stichprobenbedingungen den durch Blickwinkel-Domänverschiebung verursachten Rückgang der Erkennungsfähigkeit effektiv überwindet; im Vergleich zu herkömmlichen Methoden verbessert die Methode die Erkennungsrückrufrate und reduziert signifikant Fehlalarme durch nicht-zielgerichtete Fahrzeuge, was die Effektivität und Robustheit dieses Domänenadaptionsrahmens in Überwachungsszenarien für Spezialfahrzeuge bestätigt.

Spezialtransporte;selbstüberwachtes visuelles Modell;domänenadaptive Erkennung