本研究では、非常に高解像度の多モーダルリモートセンシングデータの意味ラベリングに取り組むための様々な手法を調査します。特に、深層完全畳み込みネットワークが多モーダルおよび多スケールのリモートセンシングデータの意味ラベリングにどのように適応できるかについて検討します。本研究の貢献は以下の三点にまとめられます：a) 大きな空間コンテキストと高解像度データの両方を活用する効率的な多スケールアプローチを提案します、b) LiDAR（Lidar）データとマルチスペクトラルデータの初期融合と後期融合を調査します、c) 最新の結果を得て、二つの公開データセットで方法を検証します。結果は、後期融合が曖昧なデータから生じる誤差を回復可能である一方で、初期融合はより良い共同特徴学習を可能にするものの、欠損データに対する感受性が高いことを示しています。