En el contexto del cielo, la imagen y percepción de aeronaves son cruciales para diversas aplicaciones de visión. Gracias a la naturaleza en constante evolución de la red neuronal convolucional (CNN), se ha vuelto más fácil distinguir y reconocer diferentes tipos de aeronaves. Sin embargo, la clasificación precisa de subcategorías de aeronaves sigue planteando grandes desafíos. Por un lado, el reconocimiento de alta resolución se centra en explorar y estudiar tales problemas. Por otro lado, las aeronaves bajo diferentes subcategorías y granularidades presentan mayores requisitos para la representación de características para clasificar, lo que nos llevó a repensar la aplicación en profundidad de las características. Notamos que la información en el swin-transformer representa eficazmente las características en las capas de la red neuronal, mostrando completamente la codificación e indexación de la información. A través de una investigación adicional basada en esto, propusimos una mejor comprensión de la codificación y reutilización de características, y realizamos de manera innovadora la codificación de características gráficamente para la clasificación. En este artículo, nuestro enfoque muestra los efectos en la representación y clasificación de características de aeronaves, manifestados a partir del efecto de reconocimiento flexible en diferentes granularidades de categoría de aeronaves, y supera a otros modelos famosos de clasificación de alta resolución en esta tarea de visión. No solo el enfoque que propusimos demostró adaptabilidad a aeronaves en diferentes granularidades de clasificación, sino que también reveló los mecanismos y características de la codificación de características bajo diferentes particiones del espacio de muestras para la clasificación. La relación entre la representación orientada de las características de las aeronaves y varias granularidades de clasificación, que se manifiesta a través de diferentes criterios de clasificación, muestra que la codificación de características y la construcción de gráficos a través del transformer abren una nueva puerta para tareas de clasificación definidas específicamente donde los objetos se dividen bajo varios criterios de partición, y proporciona otra perspectiva sobre el cálculo y la extracción de características en la clasificación de alta resolución.