Zaznavanje sprememb v radarskih slikah z globokim učenjemKralj, Nika (Avtor) Čehovin Zajc, Luka (Mentor) Rolih, Blaž (Komentor) SARgloboko učenjepodatkovne augmentacijedaljinsko zaznavanjezaznavanje spremembTehnologija SAR omogoča opazovanje zemeljskega površja neodvisno od osvetlitve in oblačnosti. Zaradi načina zajema in značilnosti radarskega povratnega sipanja se posnetki SAR bistveno razlikujejo od optičnih posnetkov, zato se pri uporabi metod globokega učenja pojavi vprašanje, v kolikšni meri so potrebne domensko specifične prilagoditve. V diplomskem delu to vprašanje obravnavamo v okviru problema dvočasovnega zaznavanja poplav na posnetkih Sentinel-1 iz podatkovne množice OMBRIA. Arhitekturo BTC prilagodimo za uporabo s podatki SAR in vanjo vključimo temeljni model Copernicus-FM. Eksperimentalno ovrednotimo vpliv različnih podatkovnih augmentacij ter preverimo, ali se njihova fizikalna smiselnost z vidika zajema SAR odraža v uspešnosti modela. Rezultati ne pokažejo jasne povezave med fizikalno smiselnostjo augmentacij in njihovo uspešnostjo. Najboljša kombinacija, ki vključuje tudi fizikalno vprašljive transformacije, doseže povprečje F1 = 0,8529. Dodatna primerjava konfiguracij kodirnika pokaže, da najvišjo uspešnost doseže kodirnik z arhitekturo Swin-T, prednaučen na optičnih slikah.20262026-09-03 14:15:01Diplomsko delo/naloga186631sl