無人航空機（UAV）画像は高い空間解像度を持ち、取得コストが低いです。UAVプラットフォームは制御が容易で、UAVの普及はリモートセンシング技術の新しい分野を生み出しました。しかし、高解像度画像の詳細はしばしば断片化した分類結果やオブジェクト間の大きなスケールの違いを引き起こします。さらに、形状やテクスチャ特徴に基づくオブジェクトの区別は難しい場合があります。従来の画素およびオブジェクトに基づく分類法は、複雑で細かい土地利用および土地被覆（LULC）特徴を検出する際に効果的でない場合があります。したがって、本研究では、UAVの画像取得の効率を畳み込みニューラルネットワーク（CNN）の高次の抽象特徴を画像から抽出する能力に統合しました。UAV画像データセットを使用して訓練およびテストのために、CNNアーキテクチャとハイパーパラメータを調整して最適化された検出モデルが開発されました。モデルの性能は、4種類のLULCを分類する際に評価されました。6つのモデルすべてが97％を超える訓練精度を達成しました。モデル6は、テストセットで最高の精度（89.4％）を達成し、過学習が最も少ない結果となりました。
Ching-Lung Fan（木曜日）がこの問題を研究しました。