Generativna segmentacija za opazovanje ZemljeMočnik, Fedja (Avtor) Čehovin Zajc, Luka (Mentor) Rolih, Blaž (Komentor) generativni modeliizravnalni toksegmentacija satelitskih slikopazovanje Zemljegloboko učenjeSegmentacija satelitskih posnetkov predstavlja ključen korak pri analiziranju podatkov daljinskega zaznavanja za namene urbanističnega načrtovanja, spremljanja okolja in odzivanja na naravne nesreče. Kljub uspehu diskriminativnih modelov, ti pristopi pogosto odpovejo pri modeliranju prostorske skladnosti, robne negotovosti in primerov, kjer je mogoče isti predel slike smiselno uvrstiti v različne razrede. V diplomskem delu naslovimo te omejitve z uvedbo generativnega pristopa, ki segmentacijo satelitskih slik formulira kot sintezo segmentacijske maske v latentnem prostoru z uporabo modelov izravnalnega toka (angl. rectified flow). Generativni proces pri tem pogojujemo z značilkami vnaprej naučenih vizualnih kodirnikov DINOv3 in DEO. Uspešnost ovrednotimo na treh javno dostopnih zbirkah, SpaceNetv1, GeoBench Chesapeake in GeoBench Cashew, ki pokrivajo binarno zaznavanje stavb ter večrazredno segmentacijo urbanega in kmetijskega površja iz satelitskih posnetkov. Predlagana metoda doseže povprečni makro-IoU 70.40 in se s tem uvrsti na drugo mesto med primerjanimi pristopi, na multispektralni zbirki GeoBench Cashew pa doseže najboljši rezultat med vsemi primerjanimi metodami (69.67 makro-IoU). Pokažemo, da prilagajanje kodirnika in izbira izvorne porazdelitve vplivata na kvaliteto rezultata.20262026-09-28 15:50:01Diplomsko delo/naloga188806VisID: 38873sl