Popravi 3d slike

diploma.tex

@@ -1350,7 +1350,7 @@ Namesto enakega pomena vseh pozitivnih vzorcev, kriterijska funkcija Hanning dod
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.4\textwidth]{./img/gt_heatmap_with_label.jpg}
+\includegraphics[width=0.35\textwidth]{./img/gt_heatmap_with_label.jpg}
 \caption{Primer vzorca, sredisce je tocka lokacije vzorca.}
 \label{fig:gt_heatmap_with_label}
 \end{figure}
@@ -1386,8 +1386,8 @@ Kjer je:
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.4\textwidth]{./img/2d_hanning_kernel.jpg}
-\caption{Hanningovo jedro}
+\includegraphics[width=0.3\textwidth]{./img/2d_hanning_kernel.jpg}
+\caption{Normalizirano Hanningovo jedro}
 \label{fig:hann_kernel}
 \end{figure}
 
@@ -1408,8 +1408,8 @@ Gaussova funkcija:
 
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.4\textwidth]{./img/2d_gaussian_kernel.jpg}
-\caption{Gaussovo jedro}
+\includegraphics[width=0.3\textwidth]{./img/2d_gaussian_kernel.jpg}
+\caption{Normalizirano Gaussovo jedro}
 \label{fig:gauss_kernel}
 \end{figure}
 
@@ -1448,34 +1448,6 @@ Ta pristop se formalno izraža z naslednjo enačbo:
 \item $\text{true\_weight}$ in $\text{false\_weight}$: uteži, dodeljene skupinama \textit{true} in \textit{false}.
 \end{itemize}
 
-Python implementacija funkcije izgube CW-MSE je naslednja:
-\begin{lstlisting}
-class CrossWeightedMSE(nn.Module):
-    def __init__(self, true_weight=1, false_weight=1):
-        super(CrossWeightedMSE, self).__init__()
-        self.mse_loss = nn.MSELoss(reduction="none")
-        self.true_weight = true_weight
-        self.false_weight = false_weight
-
-    def forward(self, input, target):
-        N_all = target.numel()
-        N_true = torch.sum(target > 0.0).item()
-        N_false = N_all - N_true
-
-        true_mask = target > 0.0
-        false_mask = torch.logical_not(true_mask)
-
-        MSE_true = torch.mean(self.mse_loss(input[true_mask], target[true_mask]))
-        MSE_false = torch.mean(self.mse_loss(input[false_mask], target[false_mask]))
-
-        loss = (
-            self.true_weight * N_true * MSE_false
-            + self.false_weight * N_false * MSE_true
-        ) / N_all
-
-        return loss
-\end{lstlisting}
-
 
 \subsection{Primerjava rezultatov}
 
@@ -1633,10 +1605,27 @@ Nasprotje predstavlja preveliko okno, ki zajema široko paleto vzorcev. Kljub š
 
 \subsection{Eksperimentalni rezultati}
 
+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. 
+        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.
+\end{itemize}
+
+\begin{figure}[H]
+\centering
+\includegraphics[width=1\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}
-\caption{Primerjava rezultatov ob uporabi različnih velikosti Hanningovega okna.}
+\caption{Primerjava rezultatov ob uporabi različnih velikosti Hanningovega okna, na celotni validacijski množici.}
 \label{fig:plot_different_hann_kernels}
 \end{figure}
 
@@ -1654,12 +1643,14 @@ Nasprotje predstavlja preveliko okno, ki zajema široko paleto vzorcev. Kljub š
 \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.
+Eksperimenti so bili izvedeni z različnimi velikostmi oken, da bi ugotovili njihov vpliv na uspešnost modela. Podatki kažejo na optimalno ravnovesje med velikostjo oken in natančnostjo modela.
+Najboljše uspešnosti so bile dosežene z okni velikosti 31 in 33. Te velikosti sovpadajo s priporočili iz literature, kjer je bila optimalna velikost okna določena na 33.
+
+Čeprav imajo nekatera druga okna boljšo vrednost kriterijske funkcije, je analiza slik pokazala, da je najmanj šuma prav pri oknih velikosti 31 in 33. 
+Okna, ki imajo manjše ali večje jedro od teh velikosti, začnejo vnašati šum na različnih lokacijah, kar vodi do zmanjšane natančnosti pri lokalizaciji. Ta šum lahko moti interpretacijo satelitskih slik in zmanjša zanesljivost modela.
+
+Zaključimo lahko, da je izbira prave velikosti Hanningovega okna ključna za doseganje optimalnih rezultatov.
 
 \section{Regularizacija v modelu z uporabo izpuščanja nevronov}