大家读完觉得有有帮助记得关注和点赞摘要 遥感和无人机应用需要能够跨平台和视角泛化而无需特定任务训练的模型。然而无需训练的流程常常在有向几何、尺度/旋转变化以及拥挤的港口或机场中表现不佳并且很少统一检测与分割。我们提出了 ZODS-RS一个无需训练、闭式的流程可输出水平框HBB和实例掩码。基于 DINOv3 稠密特征和 SAM2 风格的提议ZODS-RS 链式集成了PP通过 Tyler 协方差进行原型净化、R-SEM使用可分离核和全局匈牙利分配实现旋转-尺度等变匹配以及 UAM结合自适应先验和可选负原型的不确定性感知逐像素融合。一个轻量级的 CWLA 融合多个 DINOv3 层。在 FAIR1MHBB上我们获得了 mAP₀.₅₀:₀.₉₅ 13.06 和 AP_S 2.93对船舶/飞机进行类别平均在 xViewHBB上我们报告 mAP 16.69。在我们自建的 UAV 数据集上ZODS-RS 实现了掩码 mIoU 31.10并在单个 5090 上相比于 Grounded-SAM 将小目标 AP 提升了 30.70。这项工作为航空影像中的水平框检测加实例分割提供了一个统一的、无需训练的解提供了与 DINOv3 紧密耦合的 PP/R-SEM/UAM 的显式闭式表达并在保持部署简单的同时在小目标、拥挤场景和跨领域偏移下展示了一致的性能提升。1. 引言来自卫星和低空无人机的遥感图像具有超高的分辨率、显著的有向几何OBB、剧烈的尺度变化以及跨平台和视角的拥挤布局。这些因素使得提议生成和匹配变得困难尤其是当图像每边包含数千像素且实例密集或细长时例如船舶、飞机。公开基准测试体现了这些挑战FAIR1M 在大尺寸图块中提供任意方向的边界框而 xView 则强调在变化分辨率下的细粒度类别和小目标 [14, 26]。每项任务训练和跨领域适应的成本推动了无需训练流程的发展但当稠密特征不可分离、提议质量不稳定或缺乏跨图像记忆时这类流程常常性能下降。开放词汇检测和组装式方案通过语言对齐编码器或模块化分割器提供帮助但性能对主干-提议协同和领域偏移仍然高度敏感 [18, 23, 20, 31, 6, 30, 10, 15]。像 SAM2 这样的基础分割模型提供了可提示的、高召回率的掩码被广泛用作候选但它们的效用取决于如何在无需训练的情况下组织稠密特征和下游匹配/融合 [21, 11, 8, 22, 21]。持续存在的差距在于i旋转/缩放处理通常是近似的——有监督的有向检测器可以解决但需要重新训练 [4]ii原型脆弱缺乏净化或稳定的子原型而随场景漂移iii融合是粗糙的——集合级分配如匈牙利算法强制互斥但忽略了像素级的不确定性在拥挤区域助长了过度自信的合并 [13, 16, 1, 9]。图1我们的方法直接在不同数据集上进行评估无需任何微调 [2, 19]。参考集包含每个类别一张示例图像。以该参考集为条件模型分割整个目标数据集。结果显示1跨遥感尺度的强泛化能力——从卫星遥感扩展到低空无人机影像2在无需训练或领域适应的情况下单样本分割达到最先进的性能3对不同尺寸图像的有效预测无需分块或上采样。我们的观点是冻结主干的协同作用是遥感中无需训练感知的基础——DINOv3 用于鲁棒的多层稠密特征SAM2 用于高召回提议以及一个用于跨图像/领域检索的持久记忆。基于这一主干三元组ZODS-RS 提供了一个闭式、无需训练的流程通过三个仅推理阶段输出 HBB 和实例掩码PP原型净化、R-SEM具有全局分配的旋转-尺度等变匹配和 UAM不确定性感知的像素级融合。我们使用轻量级 CWLA 稳定多层特征作为语义门控在无需微调的情况下抑制背景相似物 [24, 21]。本工作提供了一个无需训练、闭式的 DINOv3SAM2记忆流程具有 PP→R-SEM→UAM 链加上 CWLA生成 HBB 和掩码。在 xView[14]、FAIR1M[26] 和我们自建的 UAV 数据集上ZODS-RS 获得了 HBB mAP₀.₅₀:₀.₉₅ 分别为 16.69xView、13.06FAIR1M和 47.30UAV。在统一的 HBB 协议下ZODS-RS 在 xView 和 FAIR1M 上持续优于无需训练/OVD 基线并在领域特定的 UAV 集上取得了更大的增益——表明了对定制数据无需任何训练或适应的实用泛化能力。在我们的 xView/FAIR1M 数值中mAP₀.₅₀:₀.₉₅ 相比于最强基线提升了 1.37 至 4.47在 UAV 集上提升了 41.69 [18, 23]。一个无需训练、闭式的流程为航空/UAV 影像统一了检测和实例分割HBB 掩码构建于冻结的 DINOv3 SAM2 记忆三元组之上并通过 CWLA 进行稳定。与 DINOv3 紧密耦合的模块级数学公式带 Tyler 散度和谱净化以及基于 OT 锚定的 PP带可分离旋转/尺度权重和匈牙利分配的 R-SEM带基于能量的不确定性和自适应先验的 UAM。在 xView、FAIR1M 和自建 UAV 数据集上在统一 HBB 协议下的经验性增益在小目标、拥挤场景和跨领域鲁棒性方面具有明显优势——同时保持部署简单且无需训练。ZODS-RS 将冻结主干与记忆的协同作用作为一等设计原则并在 DINOv3SAM2记忆之上实现了 PP→R-SEM→UAM 推理链解决了旋转、尺度变化、拥挤和领域偏移问题而无需微调。2. 相关工作2.1 无需训练 / OVD / 提示检测近期在无需训练和开放词汇检测OVD方面的进展通常依赖于冻结的基础特征和强大的提议生成器然后通过聚合或与文本先验对齐分数来产生伪标签或最终检测结果。OWL-V2 通过大规模网络自训练和文本条件检测器扩展了 OVD表明鲁棒的语言-视觉先验可以显著减少对封闭词汇的依赖 [18]。Florence-2 提供了一个统一的、基于提示的表示支持无需任务特定微调的定位和检测 [29]。在实践中Grounded-SAM 将 Grounding DINO 与 SAM 组合在文本提示下耦合开放集定位和高品质掩码展示了一种广泛使用的两阶段方案 [23]。最近“No-Time-To-Train” 通过一个以记忆和跨图像对应为锚定的分阶段流程推动了无需训练、参考驱动的分割/检测 [5]。相对于这些工作我们将冻结主干的协同作用——DINOv3 用于稠密多层特征SAM2 用于高召回提议以及一个用于跨图像/领域检索的持久记忆库——作为一等设计选择并通过闭式的 PP→R-SEM→UAM 链来解决细粒度/尺度/拥挤问题而不是将主干视为可替换组件 [20, 31, 6, 30, 10, 15]。2.2 从 DINOv2 到 DINOv3 的稠密特征DINO 系列表明大规模自监督 ViT 可以提供强大的稠密特征并在像素级和区域级任务上具有良好的迁移性。DINOv2 基于精选数据和稳定训练建立了鲁棒的方案为下游检测/分割产生通用特征 [19]。DINOv3 进一步强调高品质的稠密对齐和后验灵活性例如分辨率/模型大小缩放报告了比之前的自监督/弱监督主干更强的稠密描述符 [24]。在 ZODS-RS 中我们不仅仅是“交换”主干相反我们将 DINOv3 与轻量级跨层加权聚合CWLA和检索记忆配对以增强跨领域偏移下的可分性和可检测性同时保持主干冻结 [2]。2.3 基于 SAM2 的遥感生成可提示分割模型被广泛采用作为提议生成器。SAM 从稀疏提示提供类别无关的高质量掩码 [11, 22]而 SAM2 则改进了时间稳定性和流式效率并越来越多地被用作可重用的分割引擎 [21]。然而在航空/遥感影像中小目标、弱纹理和极端尺度挑战了提议质量关于“SAM in RS”的实证研究显示了混合的结果以及对领域感知提示或过滤的需求 [8]。我们的设计将 SAM2 嵌入主干协同作用中DINOv3 的稠密相似度图指导提议选择而 R-SEM 的旋转-尺度核选择最能匹配净化原型的候选。2.4 记忆库与原型检索基于原型或记忆的检索在无需训练和弱监督设置中是一个反复出现的工具但单均值原型和余弦评分对领域偏移和参考选择方差敏感。OVD 系统如 OWL-V2和统一模型如 Florence-2隐含地证明了语义先验和外部知识的效用 [18, 29]。ZODS-RS 使用 PP 构建了一个带有净化子原型的参考子集在 R-SEM 匹配之前减少跨源噪声 [28, 26, 25, 17, 27, 3]。2.5 拥挤场景中的等变匹配遥感目标在方向和尺度上表现出巨大的变化经典检测器依赖于多尺度金字塔或显式地融入旋转处理。旋转等变检测例如 ReDet[7]集成了等变主干和旋转不变池化用于 OBB 预测 [7]而有向检测器如 RoI Transformer 在提议/ROI 层面显式处理几何 [4]。对于分配DETR 系列通过匈牙利算法推广了全局二分匹配为重叠和重复下的稀疏集预测提供了一个清晰的范式 [1]。我们遵循匹配精神——在 R-SEM 内部使用全局分配——但保持无需训练并将其与闭式的尺度-旋转核耦合像 DOTAv2 和 FAIR1M 这样的数据集凸显了在真实影像中进行这种处理的必要性。2.6 像素不确定性与贝叶斯融合不确定性建模区分了偶然性和认知性组成部分并提高了稠密预测的鲁棒性Kendall Gal 形式化了广泛用于分割的逐像素公式 [9]。对于边界细化全连接 Dense-CRF 仍然是一个有效的、轻量级的后处理器与类别无关的掩码兼容 [12]。我们的 UAM 阶段在无需训练的条件下使用贝叶斯加权和可选的 CRF 细化进行不确定性感知的逐像素融合以稳定重叠并抑制开放集干扰物 [16]。3. 方法图2ZODS-RS 流程概览无需训练。参考分支左上角DINOv3 从参考 RGB 图块提取稠密 token标注分割前景/背景 token。Robust-PP 估计 Tyler 散度应用带有二元投影的谱净化并生成净化原型 p̂同时挖掘负样本。推理分支底部在测试图像上DINOv3 提供多层特征SAM2 提供高召回实例掩码/HBB。R-SEM 计算旋转-尺度等变响应并进行融合CWLA 按一致性对层进行加权。融合右侧UAM 对重叠候选进行不确定性感知投票并通过负通道抑制相似物产生最终的 HBB 和掩码。所有步骤均为闭式或有限迭代无需训练。3.1 引擎DINOv3 SAM2 记忆我们采用了一个无需训练、推理时的引擎图2它产生几何保真的稠密特征、高召回提议以及一个由净化原型和信息性负样本组成的持久记忆使得 PP / R-SEM / UAM 能够在没有梯度或 EMA 的高信噪比空间中运行。稠密 token。 给定图像 I ∈ ℝ^{H₀×W₀×3}我们选择 L 个 DINOv3 层 L {ℓ₁, …, ℓ_L}。在缩放到公共网格 (H, W) 并进行 L2 归一化后特征张量和逐像素 token 为稍后的轻量级跨层融合CWLA第 3.4 节形成 f̅_p同时保留层级访问用于 R-SEM。高召回提议。 SAM2 生成掩码 {M_i}{i1}^P每个掩码通过 minAreaRect(M_i) 导出一个边界框HBBB_i。我们保留通过稳定性检查最小面积/分数、形态 IoU的掩码并执行 IoU 阈值为 τ_nms 的有向 NMS得到集合参考到记忆R2M。 用户标记的参考掩码——或一个具有高置信度和低不确定性的自举预测——通过一个闭式/有限迭代的例程被提交到类别 k 的记忆中。我们首先收集掩码内部来自 {F[ℓ]} 的参考 token并可选地仅保留相对于初始锚点余弦相似度最高的 top-q%同时侵蚀边界得到一个清洁集 X_k {x_j}{j1}^n ⊂ ℝ^C。然后我们使用 Tyler 不动点带迹归一化估计一个无标度散度并设 Σ̂_k Σ_T当检测到小 n 或病态时回退到 diag(Σ_T) 或 IεI。令 Σ̂_k U Λ U^T保留 top-r 轴 U_r定义幂等的投影算子参考以及任何 token z被白化和投影随后进行一次性的有界影响均值M-估计器并归一化获得净化原型当文本/图像锚点 {g_m} 可用时我们通过熵正则化最优传输可选地将 p̃_k 向锚点流形收缩并将在最终投影/归一化之前以权重 α 混合传输重心。为了抑制相似物我们还在低先验区域低范数/边际/注意力挖掘负样本并使用相同的白化-投影例程聚合它们得到 {p̃_{k,j}^-}。提交的记忆条目为以有限容量和闭式平滑计数加权凸合并维护或者在分布发散时分支出子原型——仍然是无需训练的。接口。 引擎输出 ℱ {f̅_p}、ℳ {(M_i, B_i)} 和 ℬ {B_k}_k。R-SEM 消耗 p̂_k 和逐层 token 用于旋转-尺度匹配第 3.3 节。3.2 Robust-PP给定来自第 3.1 节的记忆元组 B_k (p̂_k, Σ̂_k, {p̃_{k,j}^-}) 和类别参考 X_k {x_j}{j1}^n ⊂ ℝ^C我们以无需训练的方式精炼原型和散度。我们首先使用 Tyler 不动点带迹归一化重新估计无标度散度并在 T 次迭代后设置 Σ̂_k ← Σ_T有限且无梯度。对于小 n 或病态情况我们回退到 Σ̂_k ← diag(Σ_T) 或 IεIε0。令 Σ̂_k U Λ U^T 为特征分解λ₁ ≥ … ≥ λ_C 0。我们保留 top-r 轴 U_r [u₁, …, u_r] 并定义一个熵门控的幂等投影算子所有 token参考或候选被白化和投影一次性的有界影响均值M-估计器给出OT-PP可选。 当语义例如 Clip/Florence锚点 {g_m}{m1}^M ⊂ ℝ^C文本提示或图像锚点可用时我们通过熵正则化最优传输将 p̃_k 向锚点流形收缩传输加权的重心在最终投影/归一化之前以权重 α 可选地混合。性质散度是无标度的P_r 是幂等的OT-PP 产生锚点感知的收缩所有更新都是闭式或有限迭代的无需梯度。输出更新的 (p̂_k, Σ̂_k)带或不带 OT 锚定供 R-SEM 和 UAM 使用。3.3 R-SEM在推理时检测器输出轴对齐的边界框 C_iHBB。对于每个 C_i我们使用该框作为 SAM2 提示生成候选掩码 {M_{i,t}}选择一个稳定的掩码 M_i例如最高掩码分数或与 HBB 的最大 IoU并推导出有向框 B_i : minAreaRect(M_i)。我们应用最小面积/分数和形态 IoU 合理性检查并在 IoU 阈值 τ_nms 下执行有向 NMS形成 ℳ {(M_i, B_i)}。这种转换是无需训练的纯几何的。令 f̅_p 表示逐像素描述符第 3.1 节CWLA 在第 3.4 节。我们在多个尺度 s ∈ S 和角度 θ ∈ Θ 上评估类别条件响应其中 f̅_{p,(s,θ)} 通过尺度金字塔和可转向旋转获得通过重采样/FFT 旋转实现无需训练。我们应用可分离的高斯权重并融合为一个旋转-尺度等变响应图对于每个 (M_i, B_i) ∈ ℳ我们定义一个平衡显著性、覆盖率、形状和方向的成本这里 TopKMean_K(R|M) 平均 M 内部的 top-K 响应Cover(R|M,t) |{p∈M: R(p) ≥ t}| / |M|Φ(B_i) 编码宽高比/紧凑性先验Δθ 惩罚 OBB 角度与主导响应角度 θ(k)argmax_θ ∑_{p∈M_i} S_k^{(s,θ)}(p) 的偏差。我们形成二分成本矩阵 [C_{i,k}] 并使用匈牙利算法每张图像或图块求解一对一分配。3.4 CWLA一致性加权层聚合给定从 token F[ℓ] 和原型 p̂_k 计算的逐层响应 R_k^{[ℓ]}(p)我们定义一个层级别的不确定性 U̅^{[ℓ]}例如对 k 进行温度缩放 softmax 后的空间平均熵或能量 -τ log ∑k exp(R_k^{[ℓ]}/τ)。我们将不确定性转换为软权重并得到融合响应这种聚合是闭式、无需训练的并通过在融合前用等变响应替换 R_k^{[ℓ]} 来与 R-SEM 对接。温度 σ 控制相对于层可靠性的选择性。3.5 UAM令 R_c(p) 为通道 c类原型加上负通道负样本来自 {p̃_{k,j}^-} 且从不被发射的融合响应。我们使用自适应先验 A_c(p) 0 构建像素对数几率定义像素不确定性 U(p) -∑c π_c(p) log π_c(p)。对于分配给类别 {k_j}第 3.3 节的重叠实例 {M_j}我们通过不确定性感知投票进行融合开放集拒绝使用最大后验阈值 max_c π_c(p) τ_open 或能量门控 -τ log ∑_c exp(R_c(p)/τ) ϵ_open。一个轻量级的 CRF 可以可选地细化边界同时保持分数不变无需训练。负样本仅作为 softmax 中的竞争通道抑制相似物。4. 实验4.1 实验设置4.1.1 数据集我们在 xView、FAIR1M 和一个自收集的 UAV 集上进行评估这些数据集都不用于训练。为了协调标签我们将 xView/FAIR1M 合并为飞机、船舶将 UAV 合并为墓地、建筑物。所有标注都表示为 HBB当存在 OBB 时我们将其转换为轴对齐的外接框AABB。对于支持掩码的方法我们从 HBB 推导出 SAM2 提示的代理掩码经过质量检查并且仅将其用于评估。4.1.2 任务与协议单图像无分块所有方法对每张图像进行一次前向传播不进行裁剪/分块。主要任务是 HBB 检测。对于也生成掩码的方法例如无需训练的分割流程我们额外使用 SAM2 导出的代理掩码报告掩码指标。当需要开放词汇提示时所有基线共享每个合并类别的相同规范提示列表例如 ship, airplane, graveyard和相同的文本预处理。4.1.3 指标我们报告 COCO 风格的 HBB mAP₀.₅₀:₀.₉₅、AP₅₀、AP₇₅ 和 AP_S小目标 AP。对于输出掩码的方法我们额外报告每实例掩码 IoU 和 Dice。4.2 基线与实现细节4.2.1 基线我们与 No-Time-To-TrainNTTT、Grounded-SAMGrounding-DINO SAM、OWL-V2、LAE-DINO 和 Florence-2 进行比较。除非另有说明我们使用每个方法的官方推理设置并在第 4.1 节的统一协议下评估 HBB 检测单尺度、无分块、共享 NMS/阈值、对开放词汇变体使用相同的提示列表。对于 OWL-V2我们在一个小的验证子集上将分数阈值调整为 0.30并使所有其他参数与共享协议对齐。由于 LAE-DINO 在 LAE-1M包括 FAIR1M通过 LAE-FOD和 xView上进行了预训练在这些集上进行评估会导致训练-测试重叠。因此为了保持协议不重叠我们在本小节中仅在我们自收集的 UAV 数据集上报告结果并省略 FAIR1M/xView 上的 LAE-DINO 比较。4.2.2 实现细节精简ZODS-RS 遵循第 3.1 节的引擎和第 3.2–3.5 节的模块冻结的 DINOv3 稠密 token、SAM2 高召回提议和一个持久记忆库供给 Robust-PP、可选的 R-SEM、CWLA 和 UAM全部在无需训练的模式下。具体地我们使用 DINOv3sat-ViT-L多层 token 来自层 [8, 10, -1] 并带有一个注意力先验SAM2 为 hiera-largepoints_per_side32iou_thr0.4nms_thr0.5num_out_instance100。Robust-PP 使用 Tyler 散度迭代20容差1e-4谱截断 top_r32。CWLA 在层 [8,12,-1] 上启用使用一致性度量温度 σ0.15 并激活自动温度产生一个不确定性感知的融合保持无梯度。UAM 使用温度 τ1.0 并带自动 τ熵目标 0.9范围 [0.5,2.0]在对数几率域组合先验强度 γ1.5分量权重 (a,b,c)(0.5,0.5,0.2)启用负原型数量3最小面积128以抑制相似物并应用轻量级 CRF迭代10sxy[3,3]srgb[5,5,5]进行边界细化。HBB-NMS IoU τ_nms0.50掩码二值化 τ_mask0.50。推理在单张 5090 GPU 上以 FP32 运行。4.3 实验结果图3单样本跨领域结果。通过全图推理ZODS-RS 在拥挤场景中干净地分离重叠实例同时保持细粒度的定位这得益于 PP、R-SEM、CWLA 和 UAM。评估设置与说明。 我们采用无需训练、跨领域的协议。对于船舶/飞机每个类别使用一张 FAIR1M 参考图像来评估 FAIR1M 和 xView对于 UAV墓地第一张图像作为参考我们在整个集合上进行评估。推理是在全图上单尺度进行的无分块/上采样。基线使用默认阈值但 OWL-V2 除外score0.30。我们报告 COCO 风格的 HBB 指标mAP₀.₅₀:₀.₉₅、AP₅₀、AP₇₅、AP_S仅对支持掩码的方法报告 IoU/Dice。由于 LAE-DINO 在包含 xView/FAIR1M 的语料库上进行了预训练我们仅在 UAV 上报告以避免训练-测试重叠。UAV 数据。 总体而言ZODS-RS 实现了 mAP 47.30远远超过所有基线次优 Florence-25.61即约 8.4 倍。AP₅₀ 为 50.31约 8.3 倍AP₇₅ 为 48.25约 8.0 倍AP_S 为 33.65约 11.4 倍。在掩码上ZODS-RS 达到了 IoU 31.10而 Grounded-SAM 为 16.62约 1.87 倍Dice 为 42.71 对 24.24约 1.76 倍。LAE-DINO 得分 mAP 0.93 和 AP₅₀/₇₅ 1.27比 ZODS-RS 落后 50 倍。这些结果表明单样本记忆 全图推理在定制、非标准分布中提供了强大的实用性表 1图 4。FAIR1M参考来自 FAIR1M。 船舶。ZODS-RS 达到 mAP 23.93优于 Florence-2 20.38、OWL-V2 16.32、Grounded-SAM 15.55 和 NTTT 6.22。相对于最强基线Florence-2增益为 3.55 mAP17%、13.78 AP₅₀47%和 8.01 AP₇₅40%。在 AP_S 上OWL-V2 的 5.93 超过我们的 4.84-1.09表明在我们的无分块约束下极小的目标仍然是一个召回瓶颈。在掩码上ZODS-RS 产生 IoU 56.57 / Dice 67.92明显高于 Grounded-SAM 的 33.26 / 41.79 和 NTTT 的 21.21 / 29.46反映了更强的边界保真度和一致性。飞机。Grounded-SAM 达到最高 mAP 3.01我们的为 2.19Florence-2 为 2.01OWL-V2 为 1.62NTTT 为 0.82。AP₅₀ 遵循相同的顺序16.22 我们的 11.96。在更严格的 AP₇₅ 下ZODS-RS 得分为 0.67超过 Florence-2 的 0.28、OWL-V2 的 0.13 和 Grounded-SAM 的 0.00表明尽管总体 mAP 较低但在高 IoU 下定位更精确。掩码质量也优越IoU 55.15 / Dice 68.79 对比 Grounded-SAM 的 23.76/29.66 和 NTTT 的 16.72/19.36。表 1xView参考来自 FAIR1M跨领域。 船舶跨领域。ZODS-RS 以 mAP 13.07 领先领先于 Florence-2 11.45、Grounded-SAM 8.07、OWL-V2 7.16、NTTT 3.77AP₅₀ 18.43 和 AP₇₅ 15.10 也是最高的。在 AP_S 上OWL-V2 的 2.03 略高于我们的 1.82-0.21。在掩码上Grounded-SAM IoU 22.25我们的 19.36而 Dice 我们的 25.02 对 23.52暗示即使原始重叠滞后我们的融合也能使边界一致性受益。飞机跨领域。ZODS-RS 达到 mAP 20.31显著高于 Florence-2 13.00、Grounded-SAM 4.73、OWL-V2 4.07、NTTT 1.9756% 相对于 Florence-2。AP₅₀ 39.90 和 AP₇₅ 24.62 也同样占主导地位AP₇₅ 约为次优的 3.4 倍。掩码达到 IoU 24.03 / Dice 33.62轻松超过 Grounded-SAM 的 15.96 / 10.03。表 1总结。 (i) 在 UAV 数据上ZODS-RS 在检测和分割方面显示出大且一致的增益直接支持“用户特定数据集”的用例。(ii) 在跨领域设置FAIR1M→xView中ZODS-RS 在船舶和飞机的 mAP/AP₅₀/AP₇₅ 上领先或持平在 xView-飞机上尤其具有较大的优势。(iii) AP₇₅ 和掩码质量IoU/Dice反复倾向于 ZODS-RS表明即使总体 mAP 不是最佳时FAIR1M-飞机也能实现精确定位和稳定边界。(iv) 在 FAIR1M/xView 的船舶上AP_S 相对于 OWL-V2 略低这与无分块评估一致更密集的尺度网格或轻量级放大启发式方法是有希望的补救措施。(v) 在统一的零训练协议下使用单样本参考ZODS-RS 提供了可复现的、跨数据集的增益。表1HBB 结果。“ship/airplane/graveyard” 表示活动类别1活动。IoU/Dice 仅对支持掩码的方法。OWL-V2 使用 score thr.0.30。LAE-DINO 仅在 UAV 上报告。表1内容已在前文格式中给出此处省略避免重复4.4 消融研究我们在统一的、无需训练的协议单尺度、全图、单样本参考HBB 指标下按步骤分析了设计 base → pp → ppsem-cwla → allppsem-cwlauam。如表 2 所示在用户定义的 UAV 集上性能从 base 到 pp 增长然后在 ppsem-cwla 处显著跃升最终在 allppsem-cwlauam处以大幅优势达到顶峰。具体地base 产生 (0.74/0.74/0.74) 的 mAP/AP₅₀/AP₇₅pp 将其提升到 (2.93/2.97/2.97)pp_semcwla 提升到 (16.68/17.21/16.86)而 all 提升到 (47.30/50.31/48.25)。这一轨迹表明(i) pp 将参考和候选特征对齐到更具可比性的散度改善了宽松和严格的 IoU(ii) 添加 semcwla 通过旋转/尺度处理和跨层一致性进一步稳定了匹配(iii) 完整的系统与 uam 通过不确定性感知融合和先验重加权巩固了重叠候选共同推动检测质量和几何保真度。在 FAIR1M 和 xView跨领域上趋势一致但表达了召回和定位之间的不同权衡。在 FAIR1M 上pp 将 AP₅₀ 从 0.00 急剧提高到 18.18而 mAP 波动ppsem-cwla 将 mAP 稳定在接近 base 的水平而 all 在降低 AP₅₀ 的同时开启了严格的定位AP₇₅0.67——表明更保守的召回但提高了高 IoU 精度。相反跨领域的 xView 在 pp 和 ppsem-cwla 期间保持低位仅在 full 组合下才激增到 (20.31/39.90/24.62)这表明当领域偏移显著时等变匹配、一致性加权融合和不确定性感知融合的组合是必不可少的一旦完整流程激活召回AP₅₀和严格定位AP₇₅共同上升。总体而言消融显示了一个连贯的机制pp 主要纠正分布失配召回优先sem-cwla 强制几何一致的对应和鲁棒的跨层证据而 uam 正则化像素级竞争和重叠以产生跨领域的稳定实例决策。表2消融结果。在三个数据集上的逐步评估数值为 mAP/AP₅₀/AP₇₅。表2内容已在前文给出此处省略5. 结论与未来工作在本工作中我们提出了 ZODS-RS一个用于航空感知的无需训练、闭式流程它耦合了冻结的 DINOv3 稠密 token、SAM2 提议和一个具有三个仅推理操作符的持久记忆——PP 用于原型净化R-SEM 用于具有全局分配的旋转-尺度等变匹配以及 UAM 用于不确定性感知的逐像素融合——并通过轻量级 CWLA 进行稳定。在统一的 HBB 协议下ZODS-RS 相比无需训练/OVD 基线产生了一致的增益在 xView 上 mAP₀.₅₀:₀.₉₅ 为 16.69在 FAIR1M 上为 13.06在我们自建 UAV 集上为 47.30其中掩码 mIoU 达到 31.10小目标 AP 相比于 Grounded-SAM 提高了 30.70。消融实验base → pp → pp_semcwla → all证实了分布对齐、具有跨层一致性的等变匹配以及不确定性驱动融合的预期作用。对于未来的工作我们旨在将 HBB 输出扩展到真正的 OBB 和 UAM 内的形状感知掩码通过轻量级分块/放大和更密集的 R-SEM 尺度/角度网格来改善小目标召回在线调整先验和记忆自动 τ、γ、λ 校准检索感知的子原型增长/修剪通过 Florence/CLIP 收紧语义门控以处理开放集干扰物利用 SAM2 流式和短期轨迹片段实现时间稳定性通过 ONNX/TensorRT、内核融合和混合精度进一步优化部署在额外的 RS/UAV 数据集上扩大评估并发布参考划分以及通过校准的不确定性、弃权以及可选的人机协同审查来增强可靠性用于安全关键工作流。