Semantična segmentacija satelitskih posnetkov z grobimi oznakamiPoljanšek, Tomaž (Avtor) Čehovin Zajc, Luka (Mentor) semantična segmentacijadaljinsko zaznavanjegrobe oznakegloboko učenjetemeljni modelipokrovnost talUčne oznake za segmentacijo satelitskih posnetkov se v praksi pridobivajo iz produktov nižje ločljivosti in so zato grobe in šumne. V delu sistematično preučimo, kako se sodobne metode globokega učenja za semantično segmentacijo obnesejo pri učenju na takšnih oznakah: modele učimo na zbirki SEN12MS z oznakami MODIS ločljivosti 500 m in jih vrednotimo na ročno pregledani testni množici tekmovanja DFC2020. V 62 eksperimentih primerjamo enajst modelov iz treh družin (konvolucijske, transformerske in hibridne arhitekture ter temeljne modele) in ovrednotimo predučene in zamrznjene kodirnike, robustni funkciji izgube GCE in SCE ter lastno tehniko izključevanja pikslov ob mejah med razredi. Predučenje se izkaže za daleč najpomembnejši dejavnik uspešnosti; najboljša sta temeljna modela FlexiMo in DEO-FM, navaden ViT z utežmi ImageNet pa zaostaja le za približno 0,01 mIoU. Zamrznjen kodirnik je pri transformerskih modelih konkurenčen polnemu doučenju, robustne funkcije izgube in izključevanje robov pa ne prinesejo sistematičnega izboljšanja, saj je šum v oznakah strukturiran in ne naključen. Pokažemo tudi, da vrednotenje na šumnih oznakah uspešnost precenjuje in modele napačno rangira.20262026-10-30 08:15:51Magistrsko delo/naloga190594sl