衛星画像分類は、リモートセンシング、コンピュータビジョン、および機械学習の交差点に位置する難問である。衛星データに内在する高い変動性により、現在の物体分類手法の多くは衛星データセットを処理するのに適していない。また、単一のラベル付き高解像度データセットで複数のクラスラベルを持つものが不足しているため、衛星画像解析の進歩も阻害されてきた。本研究の初期版では、2つの新しい高解像度衛星画像データセット（SAT-4とSAT-6）を導入し、「手作り」特徴量と深層信念ネットワーク（DBN）に基づく分類フレームワークDeepSatを提案した。本論文はその拡張版であり、改善されたアーキテクチャを活用して、手作り特徴量と畳み込みニューラルネットワーク（CNN）特徴マップを組み合わせたエンドツーエンドフレームワークを提示する（DBNベースのアーキテクチャではなく）。当該フレームワークは、手作り特徴量から得られる空間情報とCNN特徴マップが融合した情報を活用しており、SAT-4とSAT-6においてそれぞれ99.90%と99.84%という精度を達成し、他の最先端結果を超える成果を得ている。分布分離基準に基づく統計分析により、当該手法が衛星画像に対してより良い表現を学習する堅牢性が実証されている。