遥感图像飞机细粒度目标检测算法

doi:10.7527/S1000-6893.2025.32578

航天遥感图像智能处理与分析专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 |

遥感图像飞机细粒度目标检测算法

周雷, 谷延锋, 刘天竹()

哈尔滨工业大学电子与信息工程学院，哈尔滨 150006

收稿日期:2025-07-16 修回日期:2025-08-08 接受日期:2025-09-15 出版日期:2025-10-10 发布日期:2025-10-09
通讯作者: 刘天竹 E-mail:tzliu@hit.edu.cn
基金资助:
国家重点研发计划重点专项(2024YFF1401002)

Aircraft fine-grained object detection algorithm in remote sensing images

Lei ZHOU, Yanfeng GU, Tianzhu LIU()

School of Electronics and Information Engineering，Harbin Institute of Technology，Harbin 150006，China

Received:2025-07-16 Revised:2025-08-08 Accepted:2025-09-15 Online:2025-10-10 Published:2025-10-09
Contact: Tianzhu LIU E-mail:tzliu@hit.edu.cn
Supported by:
National Key Research and Development Program of China(2024YFF1401002)

摘要/Abstract

摘要：

遥感图像中的飞机目标往往存在形状近似的特点，尤其是特定型号之间仅存在细微差异，因此如何精确地进行细粒度飞机目标的检测与识别依然是一个挑战。在目前基于深度学习的目标检测方法中，针对模型不同部位提出的各类改进方法能够在一定程度上提升细粒度类别间的检测精度。然而，现有方法忽视了多尺度判别性特征以及类别间隔约束在细粒度任务中的重要性，可能会限制模型从特征表征到特征判别的性能。针对此问题，提出了一种基于多层级特征交互与正交损失函数的细粒度目标检测模型。该模型能够利用门控融合机制有效融合不同层级的多尺度特征，在多种感受野的注意力机制下提高判别性特征的表征能力，并结合自适应损失项权重在正交损失函数中增强特征的类内紧凑性与类间可分性，从而提升模型对细粒度目标特征的表征与判别能力。在MAR20与SMID 2个遥感细粒度目标检测数据集上，进行了多组消融实验及对比实验。实验结果表示，采用该模型在MAR20数据集上最高可以达到61.45%的平均精度均值，相对于基线模型至少提升了0.43%，最多提升了6.29%；在SMID数据集上最高可以达到63.9%的平均精度均值，相对于基线模型至少提升了1.7%；在2个数据集上相对于其他主流算法均达到最佳的精度与性能。

关键词: 遥感图像, 目标检测, 特征融合, 注意力机制, 正交损失

Abstract:

Aircraft targets in remote sensing images often have characteristics of similar shapes， especially the only slight differences between specific models， so that accurately detecting and recognizing fine-grained aircraft targets remains a challenge. Among current deep learning-based object detection methods， various improvements targeting different components of models can enhance detection accuracy between fine-grained categories to some extent. However， existing approaches overlook the importance of multi-scale discriminative features and inter-class separation constraints in fine-grained tasks， potentially limiting model performance from feature representation to feature discrimination. To address this issue， this paper proposes a Hierarchical and Orthogonal Fine-Grained Detection Network. The model effectively fuses multi-scale features from different levels using a gated fusion mechanism， enhances the representation capability of discriminative features under attention mechanisms with diverse receptive fields， and incorporates adaptive loss term weighting within the orthogonal loss function to strengthen intra-class compactness and inter-class separability of features. Consequently， the model’s capability for representing and discriminating fine-grained target features is improved. Comprehensive ablation studies and comparative experiments were conducted on two remote sensing fine-grained object detection datasets： MAR20 and SMID. Experimental results demonstrate that the proposed model achieves a mean average precision of up to 61.45% on the MAR20 dataset， representing an improvement of at least 0.43% and up to 6.29% over the baseline model and a mean average precision of up to 63.9% on the SMID dataset， surpassing the baseline model by a minimum of 1.7%. Across both datasets， the proposed model achieves the highest accuracy and performance compared to other mainstream algorithms.

Key words: remote sensing images, object detection, feature fusion, attention mechanism, orthogonal loss

中图分类号:

周雷, 谷延锋, 刘天竹. 遥感图像飞机细粒度目标检测算法[J]. 航空学报, 2026, 47(10): 632578.

Lei ZHOU, Yanfeng GU, Tianzhu LIU. Aircraft fine-grained object detection algorithm in remote sensing images[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(10): 632578.

图/表 13

图 1

图2

图 3

表1

损失权重λ对检测精度的影响

$λ$	0.1	0.3	0.5	0.7	0.9	1.0
mAP_50∶95/%	58.79	59.25	59.47	59.74	59.15	58.95

表1

表2

表3

图 4

图 5

图 6

表4

图 7

图 8

表5

参考文献 29

[1]	GUAN Q H， LIU Y， CHEN L， et al. Aircraft detection and fine-grained recognition based on high-resolution remote sensing images［J］. Electronics， 2023， 12（14）： 3146.
[2]	CORBANE C， NAJMAN L， PECOUL E， et al. A complete processing chain for ship detection using optical satellite imagery［J］. International Journal of Remote Sensing， 2010， 31（22）： 5837-5854.
[3]	CHENG G， HAN J W. A survey on object detection in optical remote sensing images［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2016， 117： 11-28.
[4]	LI W T， ZHAO D P， YUAN B， et al. PETDet： Proposal enhancement for two-stage fine-grained object detection［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 62： 5602214.
[5]	NING W Y， WANG Q X， FENG J Q， et al. Scene-object holistic relation network for fine-grained airplane detection［J］. IEEE Geoscience and Remote Sensing Letters， 2024， 21： 6010905.
[6]	WANG L Q， ZHANG J， TIAN J M， et al. Efficient fine-grained object recognition in high-resolution remote sensing images from knowledge distillation to filter grafting［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： 4701016.
[7]	CHENG G， LI Q Y， WANG G X， et al. SFRNet： Fine-grained oriented object recognition via separate feature refinement［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： 5610510.
[8]	ZHU H， ZHOU Y， XU C， et al. Enhancing fine-grained object detection in aerial images via orthogonal mapping［DB/OL］. arXiv preprint： 2407.17738， 2024.
[9]	LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］∥ 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2017： 936-944.
[10]	SONG J J， MIAO L J， MING Q， et al. Fine-grained object detection in remote sensing images via adaptive label assignment and refined-balanced feature pyramid network［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022， 16： 71-82.
[11]	RANASINGHE K， NASEER M， HAYAT M， et al. Orthogonal projection loss［C］∥ 2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2021： 12313-12323.
[12]	OUYANG L H， GUO G M， FANG L Y， et al. PCLDet： Prototypical contrastive learning for fine-grained object detection in remote sensing images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： 5613911.
[13]	CHENG J C， YAO X W， YANG X G， et al. DIMA： Digging into multigranular archetype for fine-grained object detection［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： 5628714.
[14]	SONG L， LI Y W， JIANG Z K， et al. Fine-grained dynamic head for object detection［C］∥Conference on Neural Information Processing Systems， 2020.
[15]	禹文奇，程塨，王美君，等. MAR20：遥感图像军用飞机目标识别数据集［J］. 遥感学报， 2023， 27（12）： 2688-2696.
	YU W Q， CHENG G， WANG M J， et al. MAR20： A benchmark for military aircraft recognition in remote sensing images［J］. National Remote Sensing Bulletin， 2023， 27（12）： 2688-2696 （in Chinese）.
[16]	HAROON M， SHAHZAD M， FRAZ M M. Multisized object detection using spaceborne optical imagery［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2020， 13： 3032-3046.
[17]	ZHOU Y， YANG X， ZHANG G F， et al. MMRotate： A rotated object detection benchmark using PyTorch［C］∥ Proceedings of the 30th ACM International Conference on Multimedia. New York： ACM， 2022： 7331-7334.
[18]	CHEN K， WANG J， PANG J， et al. MMDetection： Open mmlab detection toolbox and benchmark［DB/OL］. arXiv preprint：1906.07155， 2019.
[19]	XIE X X， CHENG G， WANG J B， et al. Oriented R-CNN for object detection［C］∥ 2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2021： 3500-3509.
[20]	REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.
[21]	HAN J M， DING J， LI J， et al. Align deep features for oriented object detection［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021， 60： 5602511.
[22]	TIAN Z， SHEN C H， CHEN H， et al. FCOS： Fully convolutional one-stage object detection［C］∥2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2019： 9626-9635.
[23]	YANG X， YAN J C， FENG Z M， et al. R3Det： Refined single-stage detector with feature refinement for rotating object［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（4）： 3163-3171.
[24]	DING J， XUE N， LONG Y， et al. Learning RoI transformer for oriented object detection in aerial images［C］∥ 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2019： 2844-2853.
[25]	XU Y C， FU M T， WANG Q M， et al. Gliding vertex on the horizontal bounding box for multi-oriented object detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021， 43（4）： 1452-1459.
[26]	CAO Y H， CHEN K， LOY C C， et al. Prime sample attention in object detection［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2020： 11580-11588.
[27]	YANG Z， LIU S H， HU H， et al. RepPoints： Point set representation for object detection［C］∥2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2019： 9656-9665.
[28]	WU Y， CHEN Y P， YUAN L， et al. Rethinking classification and localization for object detection［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2020： 10183-10192.
[29]	ZHANG H K， CHANG H， MA B P， et al. Dynamic R-CNN： Towards high quality object detection via dynamic training［M］∥Computer Vision-ECCV 2020. Cham： Springer International Publishing， 2020： 260-275.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

类型	方法	mAP_50∶95/%	mAP₅₀/%	mAP₇₅/%
单阶段	FCOS^［22］	47.44±1.05	76.09±0.43	51.28±0.57
	R3Det^［23］	40.45±2.60	62.08±3.37	48.52±3.41
	S2ANet^［21］	50.33±0.15	80.84±0.55	55.93±0.21
两阶段	Faster R-CNN^［20］	52.93±0.03	81.96±0.30	60.55±0.12
	RoI Transformer^［24］	56.45±0.47	82.60±0.59	69.35±0.53
	Gliding-V^［25］	41.02±0.87	78.93±1.11	37.65±1.28
	ORCNN^［19］	58.49±0.20	82.98±0.48	73.25±0.41
	PCLDet^［12］	58.04±0.37	82.92±0.35	72.37±0.43
	PETDet^［4］	61.02±0.55	85.51±0.61	76.96±0.37
	HOFD-Net （Gliding-V）^［25］	47.31±0.77	81.75±0.65	49.91±1.23
	HOFD-Net （ORCNN）^［19］	59.74±0.40	84.24±0.32	75.23±0.48
	HOFD-Net （PETDet）^［4］	61.45±0.49	85.78±0.67	77.84±0.20

类别	R3Det^［23］	FRCNN^［20］	RoI Trans^［24］	Gliding-V^［25］	ORCNN^［19］	PCLDet^［12］	PETDet^［4］	HOFD-Net （PETDet）
SU-35	70.53	85.16	86.98	82.89	86.42	85.47	88.23	88.51
C-130	80.84	89.90	81.72	80.43	88.21	81.69	89.17	89.70
C-17	49.51	88.86	88.70	86.33	88.58	89.41	89.86	89.85
C-5	46.57	80.09	79.27	68.54	75.52	78.24	82.93	80.19
F-16	57.44	75.44	78.18	72.74	79.82	79.85	82.68	82.86
TU-160	79.27	89.14	90.70	89.44	90.57	90.88	90.99	90.79
E-3	53.84	90.19	90.13	89.69	90.36	90.51	90.65	90.70
B-52	83.43	89.56	89.66	86.68	89.53	87.43	89.04	88.16
P-3C	22.11	90.08	89.24	90.44	89.41	89.93	90.11	90.24
B-1B	78.87	90.87	90.89	88.41	90.87	90.84	90.92	90.91
E-8	50.17	86.45	85.50	82.55	87.98	87.16	87.85	88.50
TU-22	82.34	87.64	88.62	85.40	87.50	89.29	90.26	89.44
F-15	58.99	67.13	67.85	64.94	65.86	66.13	73.24	73.49
KC-135	77.64	88.74	88.79	79.17	87.92	87.95	89.29	88.04
F-22	33.85	47.17	45.20	51.94	49.57	52.40	61.08	65.13
FA-18	86.47	88.36	89.04	87.19	89.20	88.69	88.83	88.87
TU-95	89.15	90.41	90.60	89.92	90.39	90.44	90.61	90.64
KC-10	9.47	65.96	71.44	54.61	72.53	73.37	78.00	81.73
SU-34	72.15	77.56	84.37	77.57	83.20	81.96	84.76	86.10
SU-24	73.64	76.59	78.49	71.18	78.98	79.43	80.65	80.54
mAP₅₀	62.88	82.26	82.77	79.00	83.12	83.07	85.43	85.72

类型	方法	mAP_50∶95/%	mAP₅₀/%	mAP₇₅/%
单阶段	FCOS^［22］	50.9±0.17	65.9±0.67	60.9±0.35
	RepPoints^［27］	42.4±0.67	56.5±0.88	50.9±0.06
两阶段	Faster R-CNN^［20］	61.2±0.58	80.9±0.55	71.9±0.49
	Double-Head^［28］	62.6±1.09	81.4±0.74	73.8±0.27
	DynamicRCNN^［29］	61.2±0.42	77.2±0.05	74.2±0.72
	PISA^［26］	62.2±0.85	81.8±0.56	74.8±0.24
	HOFD-Net （PISA）	63.9±1.04	82.6±0.78	76.1±0.45

GFA-FPN	自适应正交损失	mAP_50∶95/%
		58.49
仅采用注意力机制		59.01
√		59.56
	仅采用正交损失^［11］	58.75
	√	59.07
√	√	59.74

遥感图像飞机细粒度目标检测算法

Aircraft fine-grained object detection algorithm in remote sensing images

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 29

相关文章 15

编辑推荐

Metrics

本文评价

[1]	段韶华, 张淳杰, 刘传凯, 郑晓龙, 张济韬. 自回归与反馈驱动的自适应矩形卷积全色锐化网络[J]. 航空学报, 2026, 47(10): 532432-532432.
[2]	卢光宇, 陈博文, 陈科研, 邹征夏, 史振威. 基于混合专家模型的航天遥感图像目标检测[J]. 航空学报, 2026, 47(10): 532599-532599.
[3]	刘文林, 胡锡坤, 钟平. 强化学习驱动的退化遥感图像目标检测方法[J]. 航空学报, 2026, 47(10): 532861-532861.
[4]	支元杰, 葛欣, 张帆, 杨知, 马明阳, 梅少辉. 一种基于混合专家组的多模态航天遥感图像统一检测模型[J]. 航空学报, 2026, 47(10): 532864-532864.
[5]	杨子沣, 徐夏, 潘斌. 基于共享骨干的快速双分支拼接同步检测框架[J]. 航空学报, 2026, 47(10): 532876-532876.
[6]	刘云鹤, 姜智卓, 刘瑜, 孙显, 何友. 基于多视角低空遥感图像的船舶目标关联[J]. 航空学报, 2026, 47(10): 533060-533060.
[7]	孟令捷, 李红光, 李新军. 基于地貌类别信息指导的SAR图像仿真方法[J]. 航空学报, 2025, 46(7): 331003-331003.
[8]	吴一全, 童康. 基于深度学习的无人机航拍图像小目标检测研究进展[J]. 航空学报, 2025, 46(3): 30848-030848.
[9]	项子健, 麻震宇, 杨希祥. 基于深度学习的复合材料结构性能参数反演[J]. 航空学报, 2025, 46(24): 231877-231877.
[10]	成桢灏, 杨小冈, 卢瑞涛, 张涛, 王思宇. 基于多阶段蒸馏的无人机图像时敏目标增量检测算法[J]. 航空学报, 2025, 46(24): 331959-331959.
[11]	丛润民, 孙豪言, 罗宇轩, 方豪. 基于类关系挖掘的遥感图像广义小样本分割方法[J]. 航空学报, 2025, 46(23): 631694-631694.
[12]	黄维, 潘家皓, 何楚. 小波时频局部化无人机目标检测模型压缩研究[J]. 航空学报, 2025, 46(23): 631952-631952.
[13]	范天麒, 邹征夏, 史振威. 基于强化学习数据合成的典型遥感目标检测[J]. 航空学报, 2025, 46(23): 631955-631955.
[14]	刘奎, 孙浩, 伍瀚, 计科峰, 匡纲要. 动态亮度重建的无人机可见光-红外融合目标检测[J]. 航空学报, 2025, 46(23): 631968-631968.
[15]	彭勃, 白吉康, 陈伟文, 郑向涛, 雷建军, 卢孝强. 基于深度学习的无人机搜救方法研究进展[J]. 航空学报, 2025, 46(23): 632761-632761.