В данной статье, объединяющей общие методы детекции и сопоставление с прототипной библиотекой, предлагается рамочная система детекции адаптации домена на основе самоконтролируемого визуального представления. Метод использует предварительно обученные признаки DINOv3 для сопоставления и отбора, что позволяет обнаруживать и различать целевые транспортные средства при небольшом количестве аннотированных образцов и без необходимости дообучения. Во-первых, построен модуль предварительной обработки с многовидовым синтетическим увеличением данных, создающий образцы с разных углов для согласования с обзорными сценами мониторинга и компенсации отсутствия углов при переносе домена. Затем разработан метод межклассового кластеризации и прототипного сопоставления, который с помощью алгоритмов кластеризации извлекает модальность данных и строит библиотеку реальных прототипов с множеством форм для решения проблемы значительных внутри-классовых различий; далее введено объединённое глобальное и локальное представление, сочетающее в себе семантические и текстурные детали на разных уровнях сетевой архитектуры изображения для тонкой дифференциации целевых транспортных средств. Эксперименты показали, что метод эффективно преодолевает снижение способности детекции из-за смещения угла обзора при небольшом количестве образцов; по сравнению с традиционными методами этот подход улучшает полноту обнаружения и значительно снижает ложные срабатывания, вызванные нецелевыми транспортными средствами, подтверждая эффективность и устойчивость данной рамочной системы адаптации домена в сценариях контроля специальных транспортных средств.

специальные транспортные средства;самоконтролируемая визуальная модель;детекция адаптации домена