Loads of shit

diploma.tex

@@ -374,8 +374,14 @@ This thesis focuses on this issue and proposes a method for localizing UAVs in t
 \bigskip
 
 %\noindent\textbf{Povzetek:} 
-\noindent V vzorcu je predstavljen postopek priprave diplomskega dela z uporabo okolja \LaTeX. Vaš povzetek mora sicer vsebovati približno 100 besed, ta tukaj je odločno prekratek.
+\noindent Diplomsko delo se osredotoča na uporabo naprednih nevronskih mrež za lokalizacijo brezpilotnih letalnikov s pomočjo satelitskih slik. 
-Dober povzetek vključuje: (1) kratek opis obravnavanega problema, (2) kratek opis vašega pristopa za reševanje tega problema in (3) (najbolj uspešen) rezultat ali prispevek diplomske naloge.
+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. 
+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 zaključuje s sklepnimi ugotovitvami, ki poudarjajo potencial in učinkovitost predlagane metode za natančno lokalizacijo brezpilotnih letalnikov.
 
 \bigskip
 
@@ -397,8 +403,14 @@ Dober povzetek vključuje: (1) kratek opis obravnavanega problema, (2) kratek op
 \bigskip
 
 %\noindent\textbf{Abstract:} 
-\noindent This sample document presents an approach to typesetting your BSc thesis using \LaTeX. 
+\noindent The thesis focuses on the use of advanced neural networks for the localization of drones using satellite imagery. 
-A proper abstract should contain around 100 words which makes this one way too short.
+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.
 \bigskip
 
 \noindent\textbf{Keywords:} \tkeywordsEn.
@@ -1610,40 +1622,48 @@ Torej, medtem ko je tradicionalna "train-test split" metoda dosegla višjo uspe
 V našem primeru se zdi, da stratificirano vzorčenje ponuja bolj robusten in stabilen model za obravnavane satelitske slike.
 Vendar pa je pomembno upoštevati tudi omejitve stratificiranega vzorčenja, kot so omejena generalizacija in potencialne težave pri "out-of-distribution" podatkih. 
 
+
 \section{Vpliv velikosti Hanningovega okna na rezultate}
 
-Velikost Hanningovega okna igra ključno vlogo pri določanju uteži vzorcev. Zaradi narave Hanningove kriterijske funkcije velikost okna neposredno vpliva na razporeditev in obliko uteži, dodeljenih vzorcem v satelitskih slikah.
+Hanningovo okno, ključni element za določanje uteži vzorcev v satelitskih slikah, se prilagaja glede na svojo velikost. 
+Spreminjanje velikosti okna neposredno vpliva na razporeditev in obliko uteži, kar ima posledično vpliv na kakovost rezultatov.
 
 \subsection{Dinamika različnih velikosti Hanningovih oken}
 
-Ko je velikost okna majhna, bo okno zajelo ožji del vzorcev, kar lahko povzroči težave s povratnim razširjanjem med učenjem modela. Če je obmocje, ki ga pokriva okno, premajhno, kriterijska funkcija ne more efektivno vplivati na celotno mrežo, kar vodi do potencialno slabše uspešnosti modela.
+Majhna velikost okna omejuje območje vzorcev, ki ga zajema. 
-Nasprotno, preveliko okno lahko privede do izgube natančnosti. Čeprav kriterijska funkcija zajema širši del vzorcev, lahko pomembni detajli postanejo zamegljeni, kar vodi do manj natančnih rezultatov.
+Takšna omejitev lahko zmanjša učinkovitost povratnega razširjanja med učenjem modela, saj kriterijska funkcija nima dovolj širokega vpliva na celotno mrežo. 
+Nasprotje predstavlja preveliko okno, ki zajema široko paleto vzorcev. Kljub širšemu zajemu, lahko detajli v sliki postanejo manj opazni, kar zmanjšuje natančnost predikcij.
 
 \subsection{Eksperimentalni rezultati}
 
-V naših testiranjih smo ugotovili, da je najbolje najti uravnoteženo velikost Hanningovega okna, ki omogoča modelu, da efektivno uči in hkrati ohranja natančnost pri predikcijah. V ta namen smo izvedli več iteracij, kjer smo eksperimentirali z različnimi velikostmi oken.
-
 \begin{figure}[H]
 \centering
 \includegraphics[width=1\textwidth]{./img/plot_different_hann_kernels.png}
-\caption{Primerjava rezultatov ob uporabi razlicnih velikosti Hanningovega okna.}
+\caption{Primerjava rezultatov ob uporabi različnih velikosti Hanningovega okna.}
 \label{fig:plot_different_hann_kernels}
 \end{figure}
 
 \begin{figure}[H]
 \centering
 \includegraphics[width=1\textwidth]{./img/heatmaps3d_1.png}
-\caption{Primerjava toplotnih map ob uporabi razlicnih velikosti Hanningovega okna.}
+\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}
-\caption{Primerjava toplotnih map ob uporabi razlicnih velikosti Hanningovega okna.}
+\caption{Primerjava toplotnih map ob uporabi različnih velikosti Hanningovega okna.}
 \label{fig:heatmaps3d_2}
 \end{figure}
 
+Eksperimenti so bili izvedeni z različnimi velikostmi oken, da bi ugotovili njihov vpliv na uspešnost modela. 
+Podatki, kažejo optimalno ravnovesje med velikostjo oken in natančnostjo modela.
+Najboljše uspešnosti so bile dosežene z okni velikosti 31, 33 in 35. Naše ugotovitve sovpadajo s priporočili iz literature, kjer je bila optimalna velikost okna določena na 33. 
+
+Zaključimo lahko, da je izbira prave velikosti Hanningovega okna esencialna za doseganje optimalnih rezultatov. 
+Naše raziskave potrjujejo, da velikost okna 33 zagotavlja najboljše rezultate pri obdelavi satelitskih slik.
+
 \section{Regularizacija v modelu z uporabo izpuščanja nevronov}
 
 \subsection{Izpuščanje nevronov}
@@ -1729,16 +1749,40 @@ Z neuravnovesenim izpuscanjem nevronov &  5.42 & 0.725 & 0.719 \\
 
 \chapter{Sklepne ugotovitve}
 
-Uporaba \LaTeX{a} in \BibLaTeX{a} je v okviru Diplomskega seminarja \textbf{obvezna}!
+Brezpilotni letalniki predstavljajo revolucionarni korak v tehnologiji, ki je našel svojo uporabo v številnih sektorjih, od vojaških operacij do kmetijskega nadzora. 
-Izbira -- \LaTeX\ ali ne \LaTeX\ -- pri pisanju dejanske diplomske naloge pa je pre\-pu\-šče\-na dogovoru med diplomantom in njegovim mentorjem.
+Kljub njihovi široki uporabi pa se soočajo z več ključnimi izzivi, zlasti na področju avtonomne navigacije. 
+V diplomski nalogi smo se osredotočili na raziskovanje in implementacijo metode WAMF-FPI za lokalizacijo brezpilotnih letalnikov na podlagi slik. 
+Spodaj so izpostavljene naše glavne ugotovitve in predlogi:
 
-Res je, da so prvi koraki v \LaTeX{}u težavni. 
+\begin{enumerate}
-Ta dokument naj služi kot začetna opora pri hoji.
+    \item \textbf{Učinkovitost in natančnost metode}:
-Pri kakršnihkoli nadaljnih vprašanjih ali napakah pa svetujemo uporabo Googla, saj je spletnih strani za pomoč pri odpravljanju težav pri uporabi \LaTeX{}a ogromno.
+         Naša implementacija WAMF-FPI je pokazala, da je metoda izjemno obetavna. 
-
+         Ugotovili smo, da je sama arhitektura izredno učinkovita in da lahko zagotovi natančno lokalizacijo brezpilotnih letalnikov tudi v zahtevnih pogojih.
-Preden diplomo oddate na sistemu STUDIS, še enkrat preverite, če so slovenske besede, ki vsebujejo črke s strešicami,  pravilno deljene in da ne segajo preko desnega roba.
+     \item \textbf{Potencial za izboljšave}:
-Poravnavo po vrsticah lahko kontrolirate tako, da izvorno datoteko enkrat testno prevedete z opcijo \texttt{draft}, kar vam pokaže  predolge vrstice.
+         Kljub izjemni učinkovitosti metode WAMF-FPI smo identificirali nekaj ključnih področij, kjer bi se lahko izvedle izboljšave. 
+         Eden od predlogov je uporaba močnejše nevronske mreže za ekstrakcijo 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.
+    \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. 
+        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.
+        Rezultati so pokazali, da je Hanningova kriterijska funkcija izstopala kot najbolj učinkovita med vsemi preizkušenimi. 
+        Te ugotovitve so v skladu z implementacijo in rezultati, predstavljenimi v izbranem članku.
+    \item \textbf{Regularizacija in računske obremenitve}:
+        Ugotovili smo, da ima regularizacija v modelu z uporabo izpuščanja nevronov pomembno vlogo pri preprečevanju prenaučenja. 
+        Vendar pa je treba skrbno uravnotežiti med računskimi obremenitvami in natančnostjo modela.
+    \item \textbf{Praktična uporaba}:
+        Naša največja ambicija za prihodnost je preizkusiti metodo WAMF-FPI na dejanskem brezpilotnem letalniku. 
+        S tem bi lahko dobili boljšo predstavo o realni učinkovitosti in uporabnosti metode v praksi.
+\end{enumerate}
 
+Metoda WAMF-FPI predstavlja pomemben korak naprej v lokalizaciji brezpilotnih letalnikov, še posebej v okoljih, kjer je satelitski signal omejen ali nezanesljiv. 
+Kljub obetavni učinkovitosti metode pa obstajajo še nekateri izzivi in priložnosti za izboljšave. 
+Naša raziskava je postavila trdne temelje za nadaljnji razvoj in implementacijo metode v realnih sistemih brezpilotnih letalnikov. 
+Naslednji koraki bi vključevali nadaljnje optimizacije modela, razširitev podatkovnih zbirk in končno implementacijo na dejanskih brezpilotnih letalnikih.
 
 %\cleardoublepage
 %\addcontentsline{toc}{chapter}{Literatura}