Este documento propone un algoritmo de recuperación de múltiples granularidades basado en una red de aumento de imágenes no supervisada. El algoritmo diseña un método de extracción de características (AugODNet_BRA) arraigado en el aumento de imágenes, que captura eficientemente características semánticas de alto nivel de imágenes con pocas muestras, objetivos pequeños y características débiles a través del aprendizaje no supervisado. El módulo de Convolución Dinámica Omnidimensional y el mecanismo de Atención de Enrutamiento de Doble Nivel se introducen para mejorar la adaptabilidad del modelo a escenas complejas y características variables, mejorando así su capacidad para capturar detalles de objetivos pequeños. El módulo de Convolución Dinámica Omnidimensional ajusta de manera flexible las dimensiones de los núcleos de convolución para acomodar objetivos pequeños de diferentes tamaños y formas. Al mismo tiempo, el mecanismo de Atención de Enrutamiento de Doble Nivel se enfoca de manera adaptativa en regiones clave, potenciando la capacidad discriminativa del modelo para objetivos en fondos complejos. La función de pérdida optimizada mejora aún más la robustez y distinción de las características, mejorando la precisión de recuperación. Los resultados experimentales demuestran que el método propuesto supera a los algoritmos de referencia en el conjunto de datos público CUB-200-2011 y muestra un gran potencial para su aplicación y valor práctico en escenarios como el reconocimiento del gancho de cola de aeronaves basadas en portaviones.