本研究中做了很多資料前處理的嘗試，包括改變切割方式、使用不同的pretrained model以及結合不同的data augmentation。記錄了所有的結果後找到了最適合此資料集的搭配。

在這個比賽中，我遇到了最大的挑戰是非作物類別的分類，因為一般作物的影像中也經常會包含非作物相關的物體，這使得非作物類別的資料沒有足夠的代表性，導致模型容易將非作物的影像誤判為一般作物。因此，我將預測為一般作物且信心度(Confidence Scores)低於0.7的類別改為非作物，經過實驗後發現效果不錯，整體的準確度可以提高3%。 

最終的正確率為90.6%，共446組內排名第22名(4.93%)，並榮獲前標，取得計畫辦公室獎狀。