diff --git a/diploma.pdf b/diploma.pdf
index 2d98c3d..c9e5972 100644
Binary files a/diploma.pdf and b/diploma.pdf differ
diff --git a/diploma.tex b/diploma.tex
index b8bf52b..e734e83 100644
--- a/diploma.tex
+++ b/diploma.tex
@@ -606,7 +606,7 @@ Vendar je to zgolj matematična formulacija koncepta. Dejanski detajli, kot so v
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.9\textwidth]{./img/rnn.pdf}
+\includegraphics[width=0.7\textwidth]{./img/rnn.pdf}
 \caption{Skica RNN modela}
 \label{fig:rnn}
 \end{figure}
@@ -620,7 +620,7 @@ Transformer model je model kodirnika-dekodirnika. Kodirnik sestavljajo $N$ bloko
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.5\textwidth]{./img/transformer_network.jpg}
+\includegraphics[width=0.4\textwidth]{./img/transformer_network.jpg}
 \caption{Izgled transformerja, iz članka "Attention is all you need" \cite{vaswani2017attention}.}
 \label{fig:transformer_network}
 \end{figure}
@@ -1027,9 +1027,9 @@ Mesta, vključena v učni nabor podatkov, so:
 Dodatno je bil v nabor dodan tudi testni nabor podatkov za Ljubljano, ki vključuje 1.000 slik.
 Vsaka slika je opremljena z oznakami lokacije kamere v sistemu ECEF. Sistem ECEF (Earth Centered, Earth Fixed) je globalni koordinatni sistem z izhodiščem v središču Zemlje.
 
-\begin{figure}[H]
+\begin{figure}[h]
 \centering
-\includegraphics[width=0.8\textwidth]{./img/cities.png}
+\includegraphics[width=0.6\textwidth]{./img/cities.png}
 \caption{Slika prikazuje lokacije mest, ki so vključena v nabor podatkov.}
 \label{fig:cities}
 \end{figure}
@@ -1043,18 +1043,18 @@ To pomeni, da bodo droni 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.
 
-\begin{figure}[H]
+\begin{figure}[h]
 \centering
-\includegraphics[width=0.8\textwidth]{./img/region_structures.png}
+\includegraphics[width=0.7\textwidth]{./img/region_structures.png}
 \caption{Graf prikazuje razmerje med zelenimi površinami in stavbami za vsako mesto.}
 \label{fig:region_structures}
 \end{figure}
 
-Na sliki \ref{fig:drone_image_example} je prikazan primer dronske slike, zajete v Ljubljani.
+%Na sliki \ref{fig:drone_image_example} je prikazan primer dronske slike, zajete v Ljubljani.
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.7\textwidth]{./img/drone_image_example.jpeg}
+\includegraphics[width=0.45\textwidth]{./img/drone_image_example.jpeg}
 \caption{Primer dronske slike.}
 \label{fig:drone_image_example}
 \end{figure}
@@ -1102,7 +1102,7 @@ Na sliki \ref{fig:corresponding_sat_image_example} je prikazan primer pripadajo
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.6\textwidth]{./img/corresponding_sat_image_example.png}
+\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}
 \end{figure}
@@ -1361,7 +1361,7 @@ Kjer je:
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.3\textwidth]{./img/2d_hanning_kernel.jpg}
+\includegraphics[width=0.25\textwidth]{./img/2d_hanning_kernel.jpg}
 \caption{Normalizirano Hanningovo jedro}
 \label{fig:hann_kernel}
 \end{figure}
@@ -1383,7 +1383,7 @@ Gaussova funkcija:
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.3\textwidth]{./img/2d_gaussian_kernel.jpg}
+\includegraphics[width=0.25\textwidth]{./img/2d_gaussian_kernel.jpg}
 \caption{Normalizirano Gaussovo jedro}
 \label{fig:gauss_kernel}
 \end{figure}
@@ -1445,7 +1445,7 @@ Križno utežena srednja kvadratna napaka & 0.007 & 0.07 & 0.06 \\
 
 \subsection{Analiza rezultatov}
 
-\subsubsection{Hanningova kriterijska funkcija}
+\subsection{Hanningova kriterijska funkcija}
 
 Hanningova kriterijska funkcija, znana tudi po svoji značilnosti dodeljevanja uteži vzorcem glede na njihovo lokacijo, je v testiranju pokazala dobre rezultate. 
 S skupno vrednostjo 8.49 in $RDS_{\text{train}}$ vrednostjo 0.893 na učni množici se je izkazala kot izredno učinkovita za trening set. 
@@ -1455,7 +1455,7 @@ Primer je viden na sliki \ref{fig:hanning_validation_plot}.
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.75\textwidth]{./img/hanning_validation_plot.png}
+\includegraphics[width=0.45\textwidth]{./img/hanning_validation_plot.png}
 \caption{Primer izhoda ob uporabi Hanningove kriterijske funkcije}
 \label{fig:hanning_validation_plot}
 \end{figure}
@@ -1465,21 +1465,21 @@ Ključna prednost Hanningove funkcije je v njeni zmožnosti prilagajanja uteži
 V teh slikah je središčni položaj pogosto bistven, medtem ko robovi morda niso tako pomembni. 
 To naravno prilagodljivost Hanningove funkcije lahko opazimo v njenih rezultatih, ki jih dosegla v obravnavanem primeru.
 
-\subsubsection{Gaussovo utežena srednja kvadratna napaka}
+\subsection{Gaussovo utežena srednja kvadratna napaka}
 Čeprav je Gaussova utežena srednja kvadratna napaka prav tako zasnovana na principu dodeljevanja uteži glede na lokacijo vzorca, rezultati kažejo, da ne dosega enake uspešnosti kot Hanningova funkcija. 
 Z $RDS_{\text{train}}$ vrednostjo 0.077 na učni množici in $RDS_{\text{val}}$ vrednostjo 0.74 na validacijski množici so njeni rezultati precej slabši v primerjavi s Hanningovo funkcijo.
 Primer je viden na sliki \ref{fig:gauss_mse_validation_plot}.
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.8\textwidth]{./img/mse_gauss_validation_plot.png}
+\includegraphics[width=0.45\textwidth]{./img/mse_gauss_validation_plot.png}
 \caption{Primer izhoda ob uporabi Gaussovo utežene srednje kvadratne napake}
 \label{fig:gauss_mse_validation_plot}
 \end{figure}
 
 Čeprav obe funkciji temeljita na podobnem principu, se zdi, da Hanningova funkcija bolje odraža posebnosti in značilnosti satelitskih slik.
 
-\subsubsection{Hanningovo utežena srednja kvadratna napaka}
+\subsection{Hanningovo utežena srednja kvadratna napaka}
 
 Pri tej funkciji se je izkazalo, da mreža ni dosegla želenih rezultatov. 
 Namesto, da bi se mreža naučila prepoznati in interpretirati relevantne značilnosti satelitskih slik, se je večinoma učila šuma. 
@@ -1488,19 +1488,19 @@ Primer je viden na sliki \ref{fig:hanning_mse_validation_plot}.
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.8\textwidth]{./img/mse_hannings_validation_plot.png}
+\includegraphics[width=0.45\textwidth]{./img/mse_hannings_validation_plot.png}
 \caption{Primer izhoda ob uporabi Hanningove utežene srednje kvadratne napake}
 \label{fig:hanning_mse_validation_plot}
 \end{figure}
 
-\subsubsection{Križno utežena srednja kvadratna napaka}
+\subsection{Križno utežena srednja kvadratna napaka}
 Podobno kot pri Hanningovi uteženi srednji kvadratni napaki se je tudi pri Križno uteženi srednji kvadratni napaki pokazalo, da mreža večinoma prepoznava in se uči šuma. 
 Rezultati so bili nezadovoljivi in kažejo na to, da ta funkcija ni najbolj primerna za analizo satelitskih slik s tem pristopom.
 Primer je viden na sliki \ref{fig:gasuss_cwmse_validation_plot}.
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.8\textwidth]{./img/cwmse_gauss_validation_plot.png}
+\includegraphics[width=0.45\textwidth]{./img/cwmse_gauss_validation_plot.png}
 \caption{Primer izhoda ob uporabi Križno utežene srednje kvadratne napake}
 \label{fig:gasuss_cwmse_validation_plot}
 \end{figure}
@@ -1592,28 +1592,28 @@ Pogoji eksperimenta so bili naslednji:
 
 \begin{figure}[H]
 \centering
-\includegraphics[width=1\textwidth]{./img/sat_drone.png}
+\includegraphics[width=0.8\textwidth]{./img/sat_drone.png}
 \caption{Primer referenčnih slik, ki smo jih uporabili za testiranje.}
 \label{fig:sat_drone}
 \end{figure}
 
 \begin{figure}[H]
 \centering
-\includegraphics[width=1\textwidth]{./img/plot_different_hann_kernels.png}
+\includegraphics[width=0.8\textwidth]{./img/plot_different_hann_kernels.png}
 \caption{Primerjava rezultatov ob uporabi različnih velikosti Hanningovega okna, na celotni validacijski množici.}
 \label{fig:plot_different_hann_kernels}
 \end{figure}
 
 \begin{figure}[H]
 \centering
-\includegraphics[width=1\textwidth]{./img/heatmaps3d_1.png}
+\includegraphics[width=0.6\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=1\textwidth]{./img/heatmaps3d_2.png}
+\includegraphics[width=0.6\textwidth]{./img/heatmaps3d_2.png}
 \caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
 \label{fig:heatmaps3d_2}
 \end{figure}