diff --git a/diploma.pdf b/diploma.pdf
index 5cd5691..9c96a18 100644
Binary files a/diploma.pdf and b/diploma.pdf differ
diff --git a/diploma.tex b/diploma.tex
index a3b7819..b50cd00 100644
--- a/diploma.tex
+++ b/diploma.tex
@@ -378,14 +378,13 @@ Zahvala gre tudi družini za podporo pri pisanju diplomskega dela.
 \bigskip
 
 %\noindent\textbf{Povzetek:} 
-\noindent Diplomsko delo se osredotoča na uporabo naprednih nevronskih mrež za lokalizacijo brezpilotnih letalnikov s pomočjo satelitskih slik. 
-V uvodu je predstavljena temeljna terminologija in koncepti s področja nevronskih mrež. 
-V metodološkem delu so podrobno razložene konvolucijske nevronske mreže, transformerska arhitektura ter njeni derivati, kot sta Vision Transformer (ViT) in Piramidni vision transformer (PVT). 
-Posebno pozornost namenjamo Siamski nevronski mreži, ki je ključna za primerjavo vzorcev med satelitskimi in slikami iz brezpilotnega letalnika. 
-Podatkovna množica, uporabljena za učenje in testiranje, vključuje slike brezpilotnega letalnika in satelitske slike. 
-V razdelku rezultatov so predstavljene ključne faze implementacije, učenja modela, izbire kriterijske funkcije ter različne optimizacijske strategije, kot je uporaba stratificiranega vzorčenja. 
-Poudarjena je tudi vloga Hanningovega okna in regularizacijskih tehnik, kot je izpuščanje nevronov. 
-Delo zaključujemo s sklepnimi ugotovitvami, ki poudarjajo potencial in učinkovitost predlagane metode za natančno lokalizacijo brezpilotnih letalnikov.
+\noindent Diplomsko delo predstavlja implementacijo trenutno vodilne metode za geolokalizacijo brezpilotnih letalnikov, ob izgubi sistema za določanje položaja.
+V okviru dela smo ustvarili novo podatkovno zbirko, ki vsebuje pare slik iz brezpilotnega letalnika in pripadajočih satelitskih posnetkov. 
+Osredotočili smo se na uporabo naprednih nevronskih mrež, zlasti konvolucijskih mrež, transformerske arhitekture in njenih derivatov, kot sta Vision Transformer (ViT) in Piramidni vision transformer (PVT). 
+Ključno vlogo je imela Siamska nevronska mreža za primerjavo vzorcev med obema vrstama slik. 
+Metodologija je bila podprta z različnimi optimizacijskimi strategijami, vključno z uporabo stratificiranega vzorčenja, Hanningovega okna in regularizacijskih tehnik. 
+Rezultati potrjujejo učinkovitost predlagane metode za natančno geolokalizacijo brezpilotnih letalnikov.
+Delo zaključujemo s poudarkom na ključnih ugotovitvah in potencialu razvite metode.
 
 \bigskip
 
@@ -407,14 +406,13 @@ Delo zaključujemo s sklepnimi ugotovitvami, ki poudarjajo potencial in učinkov
 \bigskip
 
 %\noindent\textbf{Abstract:} 
-\noindent The thesis focuses on the use of advanced neural networks for the localization of drones using satellite imagery. 
-In the introduction, foundational terminology and concepts from the realm of neural networks are presented. 
-The methodology section provides a detailed exploration of convolutional neural networks, transformer architecture, and its derivatives like the Vision Transformer (ViT) and the Pyramid Vision Transformer (PVT). 
-Particular emphasis is given to the Siamese Neural Network, which is pivotal for comparing patterns between satellite and drone images. 
-The dataset used for training and testing encompasses drone images and satellite photos. 
-In the results section, key stages of implementation, model training, criterion function selection, and various optimization strategies, such as Stratified Sampling, are discussed. 
-The role of the Hanning window and regularization techniques like dropout is also highlighted. 
-The work concludes with final observations that underscore the potential and efficiency of the proposed method for precise drone localization.
+\noindent The thesis presents the implementation of the currently leading method for geolocation of unmanned aerial vehicles, in the event of a loss of the positioning system.
+As part of the work, we created a new database containing pairs of images from unmanned aerial vehicles and corresponding satellite images.
+We focused on the use of advanced neural networks, especially convolutional networks, transformer architecture, and its derivatives, such as Vision Transformer (ViT) and Pyramid Vision Transformer (PVT).
+The Siamese neural network played a crucial role in comparing samples between the two types of images.
+The methodology was supported by various optimization strategies, including the use of stratified sampling, Hanning window, and regularization techniques.
+The results confirm the effectiveness of the proposed method for accurate geolocation of unmanned aerial vehicles.
+We conclude the work by emphasizing the key findings and the potential of the developed method.
 \bigskip
 
 \noindent\textbf{Keywords:} \tkeywordsEn.
@@ -1042,9 +1040,11 @@ Na vsaki sliki je s pomočjo rdečega kroga označen center izreza, ki predstavl
 \chapter{Implementacija}
 \label{ch3}
 
-V tem poglavju se bomo osredotočili na implementacijo modela WAMF-FPI, RDS metriko ter samo učenje modela.
+V tem poglavju se bomo osredotočili na implementacijo modela WAMF-FPI, RDS metriko ter samo učenje modela. 
+Odločili smo se za lastno implementacijo metode, saj originalna koda iz članka \cite{wang2023wamf} ni bila javno dostopna. 
 V naslednjem podpoglavju bomo podrobneje predstavili postopek implementacije.
 
+
 \section{Implementacija metode WAMF-FPI}
 
 Sledenje objektov v okviru računalniškega vida običajno temelji na izračunu podobnosti med referenčno in iskalno podobo v trenutnem okviru. 
@@ -1384,7 +1384,7 @@ CWMSE & 0.007 & 0.07 & 0.06  & 242.70\\
 \label{tab:metode}
 \end{table}
 
-V tabeli \ref{tab:metode} prikazujemo napako v odstotkih za različne kriterijske funkcije glede na razdaljo. Iz tabele je razvidno, kolikšen delež primerov ima napako manjšo od določene razdalje.
+V tabeli \ref{tab:metode_m} prikazujemo napako v odstotkih za različne kriterijske funkcije glede na razdaljo. Iz tabele je razvidno, kolikšen delež primerov ima napako manjšo od določene razdalje.
 
 \begin{table}[ht]
 \centering
@@ -1393,9 +1393,9 @@ V tabeli \ref{tab:metode} prikazujemo napako v odstotkih za različne kriterijsk
 Kriterijska funkcija &  $<$ 10m [\%] & $<$ 20m [\%] & $<$ 50m [\%] & $<$ 100m [\%] \\
 \hline
 HANN  & 65.22 & 71.66 & 75.87 & 81.45 \\
+GWMSE & 0.10 & 0.37 & 1.96 & 8.08 \\
+HWMSE & 0.00 & 0.10 & 1.35 & 6.71 \\
 CWMSE & 0.05 & 0.22 & 1.93 & 8.59 \\
-MSE  & 0.10 & 0.37 & 1.96 & 8.08 \\
-MSE  & 0.00 & 0.10 & 1.35 & 6.71 \\
 \hline
 \end{tabular}
 \caption{Rezultati ob uporabi različnih kriterijskih funkcij, kjer je prikazan odstotek primerov z napako manjšo od določene razdalje.}