Popravki

diploma.tex

@@ -289,7 +289,7 @@ Besedilo je oblikovano z urejevalnikom besedil \LaTeX.}
 \bigskip
 \noindent\textbf{Opis:}\\
 V zadnjem času postaja uporaba brezpilotnih letalnikov vse bolj razširjena in se uporablja v različnih področjih, kot so agrikultura, kartiranje, vojaške operacije in še mnogo drugih. 
-Kljub njihovi vsestranskosti pa se poraja ključno vprašanje: kako se droni obnašajo, ko izgubijo stik z GPS sistemom? 
+Kljub njihovi vsestranskosti pa se poraja ključno vprašanje: kako se brezpilotni letalniki obnašajo, ko izgubijo stik z GPS sistemom? 
 Diplomska naloga se osredotoča na to tematiko in predlaga metodo za lokalizacijo brezpilotnih letalnikov ob izgubi GPS signala.
 
 \bigskip
@@ -378,7 +378,7 @@ This thesis focuses on this issue and proposes a method for localizing UAVs in t
 \noindent Diplomsko delo se osredotoča na uporabo naprednih nevronskih mrež za lokalizacijo brezpilotnih letalnikov s pomočjo satelitskih slik. 
 V uvodu je predstavljena osnovna 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 je namenjena Siamski nevronski mreži, ki je ključna za primerjavo vzorcev med satelitskimi in dronskimi slikami. 
+Posebno pozornost je namenjena 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. 
@@ -447,16 +447,16 @@ V praksi to pomeni, ko imamo bazo sestavljeno iz milijonov slik, bo vsaka nova p
 V luči omejitev tradicionalnih metod prepoznavanja slik so raziskovalci razvili inovativen pristop, imenovan FPI (Finding Point with Image) \cite{dai2022finding}. 
 Ta pristop se razlikuje od običajnih metod v smislu strukture in delovanja. 
 FPI sprejme dva vhodna podatka: sliko, posneto z brezpilotnim letalnikom, in pripadajočo satelitsko sliko.
-V kontekstu te satelitske slike je mesto, kjer je bila slika z drona posneta.
+V kontekstu te satelitske slike je mesto, kjer je bila slika iz brezpilotnega letalnika posneta.
 
 Za obdelavo vsake slike se uporablja posebna nevronska mreža, kjer vsaka mreža obdeluje svoj nabor podatkov brez deljenja uteži z drugo. 
 Ko sta obe sliki obdelani in njihove značilke izluščene, se med njima izvede operacija korelacije.
-Ta mera podobnosti se predstavi v obliki toplotne karte, ki prikazuje stopnjo ujemanja med dronsko in satelitsko sliko.
-Najvišja vrednost na toplotni karti natančno označuje mesto, kjer je dron posnel svojo sliko na večji satelitski sliki. 
-Ta informacija se nato neposredno prevede v natančno lokalizacijo drona na satelitski sliki.
+Ta mera podobnosti se predstavi v obliki toplotne karte, ki prikazuje stopnjo ujemanja med sliko brezpilotnega letalnika in satelitsko sliko.
+Najvišja vrednost na toplotni karti natančno označuje mesto, kjer je brezpilotni letalnik posnel svojo sliko na večji satelitski sliki. 
+Ta informacija se nato neposredno prevede v natančno lokalizacijo brezpilotnega letalnika na satelitski sliki.
 
 Inovacije v znanstvenem raziskovanju pogosto vodijo do nadaljnjih metodoloških izboljšav.
-Nadgradnja metode FPI, znana kot WAMF-FPI, je dodatno izboljšala natančnost in učinkovitost lokalizacije dronov \cite{dai2022finding}.
+Nadgradnja metode FPI, znana kot WAMF-FPI, je dodatno izboljšala natančnost in učinkovitost lokalizacije brezpilotnih letalnikov \cite{dai2022finding}.
 Ta pristop je integriral koncepte iz območja sledenja objektov za potrebe lokalizacije, ob soočanju z izzivi, ki jih predstavljajo razlike med slikami UAV in satelitskimi slikami.
 Z uporabo dveh različnih uteži za izvleček značilnosti UAV in satelitskih slik, WAMF-FPI omogoča natančnejše in bolj zanesljivo ujemanje slik.
 Dodatna optimizacija je bila dosežena z vključitvijo WAMF modula in uporabo Hanningove kriterijske funkcije, ki sta povečala učinkovitost modela.
@@ -530,27 +530,6 @@ Osnovna struktura CNN vključuje štiri glavne vrste plasti: konvolucijsko, akti
         Delujejo kot klasične plasti v običajnih nevronskih mrežah. Vsak nevron je povezan z vsemi izhodi prejšnje plasti.
 \end{enumerate}
 
-\subsection{Učenje in optimizacija}
-\todo[color=green!40]{Mislim to je kljucno za vse metode, iguess je potrebno. Lahko tudi vrzemo ven}
-Glavni mehanizem učenja v CNN je vzvratno širjenje napak (backpropagation). 
-To je iterativna metoda, ki minimizira kriterijsko funkcijo, da bi ugotovili optimalne uteži mreže. 
-Za mnoge naloge v obdelavi slik je kvadratna napaka (MSE) izbrana kot kriterijska funkcija:
-
-\begin{center}
-    \begin{equation}
-        J(w) = \frac{1}{N} \sum_{i=1}^{N} (y_i - \hat{y}_i)^2
-    \end{equation}
-\end{center}
-
-Za optimizacijo uteži se uporablja gradientni sestop. 
-Za vsako iteracijo se uteži posodobijo v smeri negativnega gradienta kriterijske funkcije:
-
-\begin{center}
-    \begin{equation}
-        w_{\text{novi}} = w_{\text{stari}} - \eta \nabla J(w_{\text{stari}})
-    \end{equation}
-\end{center}
-
 \subsection{Značilnosti in prednosti}
 Konvolucijske mreže so sposobne avtomatskega zaznavanja hierarhičnih značilnosti. 
 Na nižjih ravneh mreže se zaznavajo nizkonivojske značilnosti, kot so robovi in teksture, na višjih ravneh pa se zaznavajo kompleksnejše strukture, kot so oblike in objekti. 
@@ -558,7 +537,8 @@ Ta hierarhična značilnost je tisto, kar omogoča CNN, da doseže izjemno natan
 
 \section{Transformerska arhitektura}
 
-\todo{Dodaj uvod v podpoglavje}
+V tem podpoglavju bomo obravnavali razvoj in lastnosti transformerske arhitekture. 
+Predstavljeno bo ozadje, vključno s prejšnjimi mehanizmi, kot so rekurentne nevronske mreže, ter detajli o njihovi zgradbi in delovanju.
 
 \subsection{Predhodni mehanizmi}
 
@@ -839,7 +819,7 @@ Na sliki \ref{fig:pvt} je prikazana skica PVT modela.
 \label{fig:pvt}
 \end{figure}
 
-\section{Piramidni vision transformer z uporabo lokalnih značilnosti (PCPVT)}
+\section{Piramidni ViT z uporabo lokalnih značilnosti (PCPVT)}
 Twins-PCPVT \cite{chu2021twins} je zasnovan na osnovi PVT in CPVT \cite{chu2021conditional}. Glavna razlika med Twins-PCPVT in PVT je v načinu uporabe pozicijskih kodiranj.
 V PVT so uporabljena absolutna pozicijska kodiranja, medtem ko Twins-PCPVT uporablja pogojna pozicijska kodiranja (ang. Conditional Positional Encoding - CPE), 
 ki so bila predlagana v CPVT.
@@ -910,7 +890,7 @@ Te slike nudijo bogate detajle in so ključne za razumevanje fine strukture tere
 
 Drugi vir podatkov predstavljajo satelitske slike, pridobljene preko Mapbox API \cite{mapbox_api}.
 Satelitske slike prinašajo širši pogled na regijo in omogočajo razumevanje večjih geografskih in prostorskih vzorcev.
-V kombinaciji z dronskimi slikami te slike nudijo celovito sliko terena z različnih višin in ločljivosti.
+V kombinaciji z slikami brezpilotnega letalnika  te slike nudijo celovito sliko terena z različnih višin in ločljivosti.
 
 Skupno naša podatkovna množica vključuje več kot 11.000 slik posnetih z brezpilotnim letalnikom in njihovih pripadajočih satelitskih slik.
 Ta obsežna zbirka podatkov nam omogoča, da model WAMF-FPI testiramo in validiramo v številnih različnih scenarijih in pogojih, 
@@ -922,7 +902,7 @@ V nasprotju z UL14, naša podatkovna množica ne zajema samo stavb, temveč tudi
 zelene površine in druge značilnosti terena, kar prinaša širši spekter značilnosti za analizo, ter predstavlja bolj realne okoliščine.
 
 \section{Slike brezpilotnega letalnika}
-Nabor podatkov, ki ga predstavljamo, je bil zasnovan z namenom raziskovanja in analize dronov v različnih mestnih scenarijih.
+Nabor podatkov, ki ga predstavljamo, je bil zasnovan z namenom raziskovanja in analizel lokalizacije brezpilotnih letalnikov v različnih mestnih scenarijih.
 Osredotoča se na dve ključni območji:
 
 \begin{enumerate}
@@ -940,16 +920,16 @@ Kamere na brezpilotnih letalnikih imajo vidno polje 80 stopinj in so usmerjene p
 Mesta, vključena v učni nabor podatkov, so:
 
 \begin{itemize}
-    \item \textbf{Maribor:} Nadmorska višina: 272m, Višina drona: 150m, Skupaj: 422m nad morsko gladino.
-    \item \textbf{Trst:} Nadmorska višina: 23m, Višina drona: 150m, Skupaj: 173m nad morsko gladino.
-    \item \textbf{Zagreb:} Nadmorska višina: 158m, Višina drona: 150m, Skupaj: 308m nad morsko gladino.
-    \item \textbf{Gradec:} Nadmorska višina: 353m, Višina drona: 150m, Skupaj: 503m nad morsko gladino.
-    \item \textbf{Celovec:} Nadmorska višina: 446m, Višina drona: 150m, Skupaj: 596m nad morsko gladino.
-    \item \textbf{Videm:} Nadmorska višina: 113m, Višina drona: 150m, Skupaj: 263m nad morsko gladino.
-    \item \textbf{Pula:} Nadmorska višina: 17m, Višina drona: 150m, Skupaj: 167m nad morsko gladino.
-    \item \textbf{Pordenone:} Nadmorska višina: 24m, Višina drona: 150m, Skupaj: 174m nad morsko gladino.
-    \item \textbf{Szombathely:} Nadmorska višina: 212m, Višina drona: 150m, Skupaj: 362m nad morsko gladino.
-    \item \textbf{Benetke:} Nadmorska višina: -1m, Višina drona: 150m, Skupaj: 149m nad morsko gladino.
+    \item \textbf{Maribor:} Nadmorska višina: 272m, Višina brezpilotnega letalnika: 150m, Skupaj: 422m nad morsko gladino.
+    \item \textbf{Trst:} Nadmorska višina: 23m, Višina brezpilotnega letalnika: 150m, Skupaj: 173m nad morsko gladino.
+    \item \textbf{Zagreb:} Nadmorska višina: 158m, Višina brezpilotnega letalnika: 150m, Skupaj: 308m nad morsko gladino.
+    \item \textbf{Gradec:} Nadmorska višina: 353m, Višina brezpilotnega letalnika: 150m, Skupaj: 503m nad morsko gladino.
+    \item \textbf{Celovec:} Nadmorska višina: 446m, Višina brezpilotnega letalnika: 150m, Skupaj: 596m nad morsko gladino.
+    \item \textbf{Videm:} Nadmorska višina: 113m, Višina brezpilotnega letalnika: 150m, Skupaj: 263m nad morsko gladino.
+    \item \textbf{Pula:} Nadmorska višina: 17m, Višina brezpilotnega letalnika: 150m, Skupaj: 167m nad morsko gladino.
+    \item \textbf{Pordenone:} Nadmorska višina: 24m, Višina brezpilotnega letalnika: 150m, Skupaj: 174m nad morsko gladino.
+    \item \textbf{Szombathely:} Nadmorska višina: 212m, Višina brezpilotnega letalnika: 150m, Skupaj: 362m nad morsko gladino.
+    \item \textbf{Benetke:} Nadmorska višina: -1m, Višina brezpilotnega letalnika: 150m, Skupaj: 149m nad morsko gladino.
 \end{itemize}
 
 \todo{A tuki je misljeno da za vsako mesto dam primer slike?}
@@ -969,9 +949,9 @@ Vsako mesto razkriva svojo edinstveno strukturo in raven urbanizacije.
 Te razlike so ključnega pomena pri razumevanju izzivov, s katerimi se srečujejo brezpilotni letalniki pri lokalizaciji in navigaciji v različnih mestnih okoljih.
 
 Nekatera mesta, kot sta Gradec in Pula, kažejo višjo stopnjo urbanizacije z minimalno prisotnostjo zelenih površin.
-To pomeni, da bodo droni v teh okoljih večinoma navigirali med zgradbami.
+To pomeni, da bodo brezpilotni letalniki v teh okoljih večinoma navigirali med zgradbami.
 Na drugi strani pa mesta, kot je Zagreb, predstavljajo večjo mešanico zgradb in zelenih površin.
-Takšne razlike lahko vplivajo na algoritme lokalizacije in navigacije dronov, saj se morajo prilagajati različnim scenarijem in oviram.
+Takšne razlike lahko vplivajo na algoritme lokalizacije in navigacije brezpilotnih letalnikov, saj se morajo prilagajati različnim scenarijem in oviram.
 
 \begin{figure}[h]
 \centering
@@ -990,8 +970,8 @@ Na sliki \ref{fig:drone_image_example} je prikazan primer slike brezpilotnega le
 \end{figure}
 
 \section{Satelitske slike}
-Za vsako dronsko sliko smo poiskali ustrezen satelitski "tile" ali ploščico.
-Ta korak je bil ključnega pomena, saj je zagotovil, da so satelitske slike popolnoma usklajene z dronskimi slikami v smislu geografske lokacije.
+Za vsako sliko posneto z brezpilotnim letalnikom smo poiskali ustrezen satelitski "tile" ali ploščico.
+Ta korak je bil ključnega pomena, saj je zagotovil, da so satelitske slike popolnoma usklajene z slikami posnetimi iz brezpilotnega letalnika v smislu geografske lokacije.
 Ko smo identificirali ustrezno satelitsko ploščico, smo jo prenesli neposredno iz Mapbox API-ja, priznanega vira za visokokakovostne satelitske slike.
 Da bi zagotovili dodatno globino in kontekst za vsako lokacijo, nismo prenesli samo osrednje ploščice, temveč tudi vse njene sosednje ploščice.
 Te sosednje ploščice smo nato združili z osrednjo ploščico za ustvarjanje enotne TIFF datoteke.
@@ -1021,13 +1001,20 @@ Za pretvorbo geografskih koordinat (latitudo in longitudo) v ploščične koordi
         \end{align*}
 \end{itemize}
 
-Na sliki \ref{fig:corresponding_sat_image_example} je prikazan primer pripadajoče satelitske slike za dronsko sliko.
+Na sliki \ref{fig:sat_image_ljubljana} je prikazan primer pripadajoče satelitske slike za sliko zajeto z brezpilotnim letalnikom.
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.45\textwidth]{./img/corresponding_sat_image_example.png}
-\caption{Primer pripadajoče satelitske slike za dronsko sliko.}
-\label{fig:corresponding_sat_image_example}
+\includegraphics[width=0.45\textwidth]{./img/sat_image_ljubljana.png}
+\caption{Primer pripadajoče satelitske slike sliko zajeto z brezpilotnim letalnikom.}
+\label{fig:sat_image_ljubljana}
+\end{figure}
+
+\begin{figure}[h]
+\centering
+\includegraphics[width=0.45\textwidth]{./img/sat_image_trieste.png}
+\caption{Primer satelitske slike zajete v mestu Trst.}
+\label{fig:sat_image_trieste}
 \end{figure}
 
 \todo{Tukaj nimam idej kako bi dodal vec primerov in kako bi polepsal vizualizacijo.}
@@ -1052,20 +1039,20 @@ Vsako od teh področij je v nadaljevanju podrobno obravnavano, pri čemer so pod
 
 Sledenje objektov v okviru računalniškega vida običajno temelji na izračunu podobnosti med referenčno in iskalno podobo v trenutnem okviru. 
 Medtem ko temeljna metoda za iskanje točk znotraj slike izhaja iz metodologije sledenja objektov, je prva v primerjavi z drugo bolj zapletena. 
-To je posledica različnih perspektiv med predlogo (dronsko sliko) in iskalno sliko (satelitsko sliko), ki povzročajo veliko variacijo.
+To je posledica različnih perspektiv med predlogo (sliko posneto z brezpilotnim letalnikom) in iskalno sliko (satelitsko sliko), ki povzročajo veliko variacijo.
 
-Metoda iskanja točk uporablja satelitsko sliko kot referenčno in dronsko sliko kot poizvedbeno. 
-Obe sliki – posneto z dronom in satelitsko sliko relevantnega območja – se nato prenesejo v end-to-end omrežje. 
-Po obdelavi je rezultat toplotna karta, kjer točka z najvišjo vrednostjo predstavlja lokacijo drona, kot jo predvideva model. 
-Lokacijo nato preslikamo na satelitsko sliko, pri čemer položaj drona določimo na podlagi geografske širine in dolžine, ki jih vsebuje satelitska slika. 
-V FPI avtorji kot modul za izluščenje značilnosti uporabljajo dva Deit-S brez deljenih uteži za vertikalne poglede dronske in satelitske slike \cite{dai2022finding}. 
-Ekstrahirane značilnosti nato uporabimo za izračun podobnosti in izdelavo toplotne karte. Lokacijo z najvišjo vrednostjo toplotne karte nato preslikamo na satelitsko sliko, da določimo lokacijo drona.
+Metoda iskanja točk uporablja satelitsko sliko kot referenčno in sliko iz brezpilotnega letalnika kot poizvedbeno. 
+Obe sliki – posneto z brezpilotnim letalnikom in satelitsko sliko relevantnega območja – se nato prenesejo v end-to-end omrežje. 
+Po obdelavi je rezultat toplotna karta, kjer točka z najvišjo vrednostjo predstavlja lokacijo brezpilotnega letalnika, kot jo predvideva model. 
+Lokacijo nato preslikamo na satelitsko sliko, pri čemer položaj brezpilotnega letalnika določimo na podlagi geografske širine in dolžine, ki jih vsebuje satelitska slika. 
+V FPI avtorji kot modul za izluščenje značilnosti uporabljajo dva Deit-S brez deljenih uteži za vertikalne poglede slike brezpilotnega letalnika in satelitske slike \cite{dai2022finding}. 
+Ekstrahirane značilnosti nato uporabimo za izračun podobnosti in izdelavo toplotne karte. Lokacijo z najvišjo vrednostjo toplotne karte nato preslikamo na satelitsko sliko, da določimo lokacijo brezpilotnega letalnika.
 
 V FPI je za izračun podobnosti uporabljena zadnja plast zemljevidnih značilnosti \cite{dai2022finding}. 
 Zaradi tega, ker je izhodna toplotna karta 16-krat manjša od vhodne satelitske slike, model izgubi veliko prostorskih informacij, kar vodi v znatno izgubo natančnosti pozicioniranja.
 
 Da bi izboljšali lokalizacijske sposobnosti modela, smo uporabili strukturo piramidnih značilnosti (Twins-PCPVT) in modul utežno prilagodljivega združevanja večznačilnostnih lastnosti (WAMF).
-K osnovnemu modelu so bile dodane izboljšave z vključitvijo dveh močnejših PCPVT-S modulov za izluščenje značilnosti iz dronskih in satelitskih slik. 
+K osnovnemu modelu so bile dodane izboljšave z vključitvijo dveh močnejših PCPVT-S modulov za izluščenje značilnosti iz slik brezpilotnega letalnika in satelitskih slik. 
 Da bi bolje zajeli informacije na različnih ločljivostih in ohranili več prostorskih informacij, so bile prvotno izluščene značilnosti poslane v omrežje značilnostne piramide za nadaljnjo obdelavo. 
 Modul WAMF je bil nato uporabljen za izračun podobnosti in združevanje različnih značilnosti. 
 Končne združene značilnosti so bile razširjene za izdelavo končne izhodne napovedne mape. 
@@ -1236,7 +1223,7 @@ Za dosego optimalnih rezultatov smo uporabili specifične hiperparametre in nast
 Za vsako iteracijo učenja smo iz vsake satelitske TIFF datoteke naključno izrezali regijo velikosti 400x400 pikslov.
 Ključnega pomena je bilo, da se je točka lokalizacije vedno nahajala nekje znotraj te izrezane regije.
 Ta metoda nam je zagotovila, da je bil model izpostavljen širokemu naboru scenarijev in kontekstov, hkrati pa smo ohranili natančnost in relevantnost lokalizacijskih podatkov.
-S tem pristopom smo uspešno sestavili nabor podatkov, ki združuje najboljše iz obeh svetov: detajlnost dronskih slik in širino satelitskih slik, kar omogoča poglobljeno analizo in učinkovito učenje.
+S tem pristopom smo uspešno sestavili nabor podatkov, ki združuje najboljše iz obeh svetov: detajlnost slik posnetih z brezpilotnim letalnikom in širino satelitskih slik, kar omogoča poglobljeno analizo in učinkovito učenje.
 
 \section{Izbira kriterjiske funkcije}
 
@@ -1513,7 +1500,7 @@ Pogoji eksperimenta so bili naslednji:
 
 \begin{itemize}
     \item Vsak model je bil posebej natreniran z različno velikostjo Hanningovega okna. To smo storili, da bi preverili vpliv različnih velikosti oken na uspešnost in natančnost modela.
-    \item Po treniranju vsakega modela smo za testiranje uporabili enostaven primer kombinacije dronske in satelitske slike. 
+    \item Po treniranju vsakega modela smo za testiranje uporabili enostaven primer kombinacije slike zajete z brezpilotnim letalnikom in satelitske slike. 
         To nam je omogočilo direktno primerjavo delovanja modelov na isti vhodni podatki in tako odpravilo morebitne nejasnosti ali napake, ki bi jih prinesli različni vhodni podatki.
     \item Referenčni sliki, ki smo ju uporabili za testiranje, je prikazana na sliki \ref{fig:sat_drone}.
         Slika brezpilotnega letanika predstavlja tipičen primer slike, s katero se naš model srečuje v praksi in vsebuje različne značilnosti terena, ki so pomembne za lokalizacijo.
@@ -1541,21 +1528,41 @@ Zaključimo lahko, da je izbira prave velikosti Hanningovega okna ključna za do
 \label{fig:plot_different_hann_kernels}
 \end{figure}
 
-\todo{Popravi te slike!!!}
+\todo{Treba preverit ce je zdej kul}
 \begin{figure}[H]
 \centering
-\includegraphics[width=0.4\textwidth]{./img/heatmaps3d_1.png}
+\includegraphics[width=0.55\textwidth]{./img/heatmaps3d_1.png}
 \caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
 \label{fig:heatmaps3d_1}
 \end{figure}
 
 \begin{figure}[H]
 \centering
-\includegraphics[width=0.4\textwidth]{./img/heatmaps3d_2.png}
+\includegraphics[width=0.55\textwidth]{./img/heatmaps3d_2.png}
 \caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
 \label{fig:heatmaps3d_2}
 \end{figure}
 
+\begin{figure}[H]
+\centering
+\includegraphics[width=0.55\textwidth]{./img/heatmaps3d_3.png}
+\caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
+\label{fig:heatmaps3d_3}
+\end{figure}
+
+\begin{figure}[H]
+\centering
+\includegraphics[width=0.55\textwidth]{./img/heatmaps3d_4.png}
+\caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
+\label{fig:heatmaps3d_4}
+\end{figure}
+
+\begin{figure}[H]
+\centering
+\includegraphics[width=0.55\textwidth]{./img/heatmaps3d_5.png}
+\caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
+\label{fig:heatmaps3d_5}
+\end{figure}
 
 \section{Regularizacija}
 V tem podpoglavju raziskujemo tehniko izpuščanja nevronov kot sredstvo regularizacije v nevronskih mrežah. 
@@ -1659,9 +1666,9 @@ Spodaj so izpostavljene naše glavne ugotovitve in predlogi:
          Eden od predlogov je uporaba močnejše nevronske mreže za izluščenje značilnosti.
          Morda bi bile konvolucijske nevronske mreže novejše generacije ali nekatere druge arhitekture bolj primerne za ta namen.
     \item \textbf{Optimizacija združevanja značilnosti}:
-        Med našo analizo smo opazili, da bi lahko del združevanja značilnosti optimizirali z uporabo metode pozornosti, kar bi omogočilo še boljše ujemanje med dronskimi in satelitskimi slikami.
+        Med našo analizo smo opazili, da bi lahko del združevanja značilnosti optimizirali z uporabo metode pozornosti, kar bi omogočilo še boljše ujemanje med slikami zajetimi z brezpilotnim letalnikom in satelitskimi slikami.
     \item \textbf{Iskanje pripadajoče satelitske slike}:
-        Ena od glavnih težav, s katerimi se metoda še vedno sooča, je identifikacija prave satelitske slike, ki ustreza dronski sliki. 
+        Ena od glavnih težav, s katerimi se metoda še vedno sooča, je identifikacija prave satelitske slike, ki ustreza sliki posnti z brezpilotnim letalnikom. 
         To predstavlja izziv, še posebej v bazah z milijoni slik, in je eno od področij, ki zahteva nadaljnje raziskave.
     \item \textbf{Raziskava različnih kriterijskih funkcij}:
         V okviru naše analize smo preizkusili več kriterijskih funkcij, vključno s Hanningovo kriterijsko funkcijo, Gaussovo uteženo srednjo kvadratno napako, Hanningovo uteženo srednjo kvadratno napako ter križno uteženo srednjo kvadratno napako.