遥感飞机细粒度识别
针对遥感飞机影像尺度跨度大、易受遮挡光照干扰、小目标识别效果差、难以细粒度区分机型的难题，提出融合边界框高斯建模与特征聚合分发的YOLOv5s识别算法。融合NWD与IoU 优化位置损失以适配小目标；引入GD模块实现跨层特征融合，增强细粒度特征提取。在MAR20、CORS-ADD数据集精度分别达到99.10%、95.36%，优于YOLOv5s、YOLOv8s 等对比算法，细粒度分类与小目标检测性能优异，具备良好实用性。
遥感飞机细粒度识别
针对遥感飞机影像尺度跨度大、易受遮挡光照干扰、小目标识别效果差、难以细粒度区分机型的难题，提出融合边界框高斯建模与特征聚合分发的YOLOv5s识别算法。融合NWD与IoU 优化位置损失以适配小目标；引入GD模块实现跨层特征融合，增强细粒度特征提取。在MAR20、CORS-ADD数据集精度分别达到99.10%、95.36%，优于YOLOv5s、YOLOv8s 等对比算法，细粒度分类与小目标检测性能优异，具备良好实用性。
目标检测是计算机视觉基础任务，支撑图像分割、目标跟踪等下游任务；遥感目标检测具备重要应用价值，可见光遥感常检测飞机、舰船、车辆等地物。传统方案依赖人工特征与SVM、AdaBoost分类器。随着深度学习发展，基于CNN的检测算法分为两阶段（R-CNN 系列，精度高、速度较慢）与单阶段算法（YOLO、SSD 等，兼顾速度与精度）。现有YOLO改进思路主要包括骨干网络重构、引入注意力机制、优化损失函数。
细粒度识别致力于区分大类下特征近似的子类，对细微特征提取能力要求更高。针对遥感影像目标尺度悬殊、小目标难检测，以及机型特征相近、细粒度区分困难两大问题，本方案融合NWD与IoU改进YOLOv5s损失函数，并引入GD特征聚合分发模块提升细粒度特征提取效果。
目标检测是计算机视觉基础任务，支撑图像分割、目标跟踪等下游任务；遥感目标检测具备重要应用价值，可见光遥感常检测飞机、舰船、车辆等地物。传统方案依赖人工特征与SVM、AdaBoost分类器。随着深度学习发展，基于CNN的检测算法分为两阶段（R-CNN 系列，精度高、速度较慢）与单阶段算法（YOLO、SSD 等，兼顾速度与精度）。现有YOLO改进思路主要包括骨干网络重构、引入注意力机制、优化损失函数。
细粒度识别致力于区分大类下特征近似的子类，对细微特征提取能力要求更高。针对遥感影像目标尺度悬殊、小目标难检测，以及机型特征相近、细粒度区分困难两大问题，本方案融合NWD与IoU改进YOLOv5s损失函数，并引入GD特征聚合分发模块提升细粒度特征提取效果。
1.研究对象与数据集
遥感军用飞机不同型号外观相似度高，难以完成类内细粒度识别。实验采用MAR20与CORS-ADD两份公开数据集。MAR20含3842张图像、22341个目标实例，覆盖SU-35、F-16 等20类军用机型（编号A1–A20），样本分布如表 1。CORS-ADD 为遥感飞机小目标数据集，共7337幅图像、32285 个飞机实例，目标尺寸4×4～240×240像素；数据源自多类卫星影像，场景丰富。实验按90%、5%、5% 随机划分为训练集、验证集、测试集，各组图像无重叠，确保实验客观。
1.研究对象与数据集
遥感军用飞机不同型号外观相似度高，难以完成类内细粒度识别。实验采用MAR20与CORS-ADD两份公开数据集。MAR20含3842张图像、22341个目标实例，覆盖SU-35、F-16 等20类军用机型（编号A1–A20），样本分布如表 1。CORS-ADD 为遥感飞机小目标数据集，共7337幅图像、32285 个飞机实例，目标尺寸4×4～240×240像素；数据源自多类卫星影像，场景丰富。实验按90%、5%、5% 随机划分为训练集、验证集、测试集，各组图像无重叠，确保实验客观。
MAR20数据集中20种飞机型号样例原图
CORS-ADD数据集飞机样例原图
2. 目标检测算法评估指标
采用平均精度均值mAP作为评价指标。AP为精确率-召回率曲线下面积，mAP取所有类别 AP 平均值，数值越高代表模型检测性能越优。
3. 消融实验与对比实验
基于 MAR20、CORS-ADD 数据集完成实验，统一设置学习率0.001、批次32，迭代100轮。消融实验与参数敏感性分析，IoU与NWD 比例取1:9 效果最佳，NWD、GD 单模块改进均可提升精度。融合双模块的改进 YOLOv5s 与多种主流算法对比，在 MAR20 上 mAP 达 99.10%，CORS-ADD 上mAP达95.36%，指标均优于YOLOv5s、YOLOv8s、Gold-YOLO与Faster R-CNN。
2. 目标检测算法评估指标
采用平均精度均值mAP作为评价指标。AP为精确率-召回率曲线下面积，mAP取所有类别 AP 平均值，数值越高代表模型检测性能越优。
3. 消融实验与对比实验
基于 MAR20、CORS-ADD 数据集完成实验，统一设置学习率0.001、批次32，迭代100轮。消融实验与参数敏感性分析，IoU与NWD 比例取1:9 效果最佳，NWD、GD 单模块改进均可提升精度。融合双模块的改进 YOLOv5s 与多种主流算法对比，在 MAR20 上 mAP 达 99.10%，CORS-ADD 上mAP达95.36%，指标均优于YOLOv5s、YOLOv8s、Gold-YOLO与Faster R-CNN。
YOLOv5s的混淆矩阵可视化原图
YOLOv8s的混淆矩阵可视化原图
4. 识别效果样例
4. 识别效果样例
YOLOv5s的实际识别效果原图
改进YOLOv5s的实际识别效果原图
可视化结果表明，原始YOLOv5s、YOLOv8s存在明显缺陷，不仅会出现机型错检、小目标漏检问题，还无法精准区分相似度较高的飞机子类，易发生机型误分类。而改进的YOLOv5s模型无错检、漏检及误分类问题，在MAR20数据集上的细粒度识别与小目标检测效果更优。后续研究将通过C3_DSConv网络替换原YOLOv5s的C3网络，在保证检测精度的前提下优化模型结构、提升推理速度、降低算力消耗，实现模型轻量化部署。
可视化结果表明，原始YOLOv5s、YOLOv8s存在明显缺陷，不仅会出现机型错检、小目标漏检问题，还无法精准区分相似度较高的飞机子类，易发生机型误分类。而改进的YOLOv5s模型无错检、漏检及误分类问题，在MAR20数据集上的细粒度识别与小目标检测效果更优。后续研究将通过C3_DSConv网络替换原YOLOv5s的C3网络，在保证检测精度的前提下优化模型结构、提升推理速度、降低算力消耗，实现模型轻量化部署。
