基于自监督视觉模型的特种车辆细粒度检测方法OA
本文结合通用检测与原型库匹配技术,提出了一种基于自监督视觉表征的域适应检测框架。该方法利用DINOv3的预训练特征作匹配与筛选,从而在少样本标注且无需微调的情况下定位并区分目标车辆。首先,构建了一个多视角合成的数据增强前置模块,生成多角度样本以对齐俯视监控场景,弥补跨域场景下的视角缺失。然后,设计了一种类间聚类与原型匹配方法,通过聚类算法挖掘数据模态,构建包含多种形态的真实原型库以解决类内差异大的问题;在此基础上引入全局与局部联合表征,结合图像不同网络层级中语义与纹理的细节,实现对目标车辆的细粒度判别。实验表明,该方法在少样本条件下有效克服了视角域偏移导致的检测能力降低;相比传统方法,该方法提升了检测召回率,显著降低了由非目标车辆引起的误报,验证了该域适应框架在特种车辆监管场景中的有效性与鲁棒性。
李熙莹;吴浩;盘婳燕;李锦;朱奕仰;胡伟鹏
中山大学智能工程学院,广东深圳518107 广东省智能交通系统重点实验室,广东深圳518107中山大学智能工程学院,广东深圳518107 广东省智能交通系统重点实验室,广东深圳518107广东省公安厅科技信息化总队,广东广州510050广东省公安厅科技信息化总队,广东广州510050中山大学智能工程学院,广东深圳518107 广东省智能交通系统重点实验室,广东深圳518107中山大学智能工程学院,广东深圳518107 广东省智能交通系统重点实验室,广东深圳518107
交通工程
特种运输车辆自监督视觉模型域适应检测
《中山大学学报(自然科学版)(中英文)》 2026 (4)
P.48-58,11
国家自然科学基金(U21B2090)广东省基础与应用基础研究基金(2022A1515010361,2024YY27)。
评论