Abstract
В статье проведен комплексный экспериментальный анализ эффективности второй стадии двухэтапной системы мониторинга наружной рекламы, отвечающей за верификацию локализованных областей интереса (ROI). Рассматривается Few-Shot классификатор на основе мультимодальной нейросетевой архитектуры CLIP (с трансформерным бэкендом Vision Transformer ViT-B/32), выполняющий сопоставление эмбеддингов вырезанных фрагментов изображений с опорным вектором бренда. Экспериментальное исследование проведено на тестовой выборке, включающей 45 целевых вырезок коммерческой рекламы (Target) и 60 фоновых фрагментов фасадного и урбанистического шума (Background). Оценено влияние порога косинусного сходства τ ∈ [0.5, 0.95] и объёма множества поддержки (1-shot, 2-shot и 5-shot) на ключевые метрики классификации: Precision, Recall, F1-score, Accuracy и False Positive Rate (FPR). Установлено, что диапазон порогов τ ∈ [0.80, 0.85] является универсальным для всех сценариев, обеспечивая безошибочную классификацию (F1 = 1.00, FPR = 0.00). Показано, что увеличение числа эталонов до N=5 существенно повышает устойчивость модели в условиях жесткой селекции (τ = 0.95), где сценарий 1-shot демонстрирует полную потерю полноты (Recall = 0.00), тогда как 5-shot сохраняет уровень Recall = 0.73 и F1 = 0.85.