В статье объединены методы универсального обнаружения и сопоставления с прототипной библиотекой, предложена методика адаптивного обнаружения домена на основе самообучающегося визуального представления. Метод использует предобученные признаки DINOv3 для сопоставления и отбора, что позволяет локализовать и различать целевые транспортные средства при небольшом количестве размеченных образцов и без дообучения. Сначала была построена предварительная модульная система увеличения данных с синтезом мультиугловых изображений для выравнивания вида сверху в сценах мониторинга, компенсируя отсутствие углов в кросс-доменных сценариях. Затем разработан метод кластеризации между классами и сопоставления прототипов, раскрывающий модальности данных с помощью алгоритма кластеризации и создающий прототипную библиотеку с разнообразными реальными формами для решения проблемы большой вариативности внутри класса; на основе этого введены глобальные и локальные совместные представления, объединяющие семантические и текстурные детали на разных уровнях сети для точного различения целевых автомобилей. Эксперименты показывают, что метод эффективно преодолевает снижение способности обнаружения, вызванное смещением угла обзора в условиях малой выборки; по сравнению с традиционными методами метод повышает полноту обнаружения и значительно снижает количество ложных срабатываний, вызванных нецелевыми транспортными средствами, подтверждая эффективность и устойчивость данного адаптивного к домену фреймворка в условиях мониторинга специальных транспортных средств.

специальные транспортные средства;самообучающаяся визуальная модель;адаптивное обнаружение домена