본 논문은 야생 환경에서 제로샷 미세입자 교통 표지 인식(TSR) 성능을 향상시키기 위해 도메인 간 다단계 사고(CdMT) 프레임워크를 제안합니다. 기존 방법들은 국가 간 교통 표지의 차이로 인해 국가 간 TSR 시나리오에서 특히 어려움을 겪는데, CdMT는 대규모 다중 모달 모델(LMM)의 다단계 추론 능력을 활용하여 이러한 문제를 해결합니다. 컨텍스트, 특징, 차별적 설명을 도입하여 LMM을 위한 다중 사고 과정을 설계합니다. 중심 좌표 프롬프트 최적화를 통해 향상된 컨텍스트 설명은 복잡한 도로 이미지에서 표지의 정확한 위치 파악 및 무관한 응답 필터링을 가능하게 합니다. 템플릿 교통 표지와의 맥락 학습에서 파생된 특징 설명은 도메인 간 차이를 해소하고 미세입자 TSR을 향상시키며, 차별적 설명은 유사한 표지 간 미묘한 차이를 구별하여 LMM의 다중 모달 추론 능력을 개선합니다. CdMT는 훈련 데이터와 무관하며 간단하고 균일한 지침만 필요로 하여 국가 간 TSR을 달성할 수 있습니다. 세 개의 벤치마크 데이터셋과 두 개의 실제 데이터셋에 대한 광범위한 실험을 통해, 제안된 CdMT 프레임워크는 모든 다섯 개의 데이터셋에서 최첨단 방법보다 우수한 성능을 달성했습니다. (GTSRB 0.93, BTSD 0.89, TT-100K 0.97, Sapporo 0.89, Yokohama 0.85)