20.500.12556/RUL-173302 Veččasovna semantična zaznava sprememb v opazovanju Zemlje Multitemporal semantic change detection in Earth observation V diplomski nalogi obravnavamo problem semantičnega zaznavanja sprememb v časovnih vrstah satelitskih slik (Satellite Image Time Series Semantic Change Detection, SITS-SCD), ki predstavlja eno ključnih raziskovalnih področij v sodobnem daljinskem zaznavanju. Obstoječe arhitekture, ki temeljijo predvsem na konvolucijskih kodirnikih, pogosto dosegajo omejene rezultate, zlasti pri redkih razredih in pri generalizaciji na podatke zunaj učne domene. Cilj naloge je raziskati možnosti izboljšave teh arhitektur z uporabo predtreniranih modelov, ki lahko ponudijo bogatejše reprezentacije in boljše zajemajo prostorsko-časovne vzorce. Najprej bomo podrobno analizirali referenčno arhitekturo SITS-SCD in njene zmogljivosti na podatkovnih zbirkah DynamicEarthNet in MUDS. Nato bomo sistematično preizkusili različne nadgradnje, vključno z zamenjavo obstoječih konvolucijskih blokov s predtreniranimi gradniki (npr. blokov ResNet), ter prilagoditvijo hiperparametrov. Poseben poudarek bo na ocenjevanju vpliva arhitekturnih sprememb na splošno natančnost, klasifikacijo redkih razredov ter robustnost pri prenosu med domenami. Z izvedenimi eksperimenti bomo prispevali k boljšem razumevanju prednosti in omejitev predtreniranih modelov v kontekstu veččasovnega zaznavanja sprememb. Na koncu bomo podali oceno smiselnosti uvedenih sprememb in podali priporočila za nadaljnji razvoj SITS-SCD arhitektur. This thesis addresses the problem of semantic change detection in satellite image time series (SITS-SCD), which represents one of the key research challenges in modern remote sensing. Existing architectures, predominantly based on convolutional encoders, often achieve limited performance, particularly when dealing with rare classes and when generalizing to out-of-distribution data. The objective of this work is to explore improvements to these architectures through the use of pretrained models, which can provide richer representations and better capture spatio-temporal patterns. We first conduct a detailed analysis of a reference SITS-SCD architecture and evaluate its performance on the DynamicEarthNet and MUDS datasets. We then systematically investigate architectural modifications, including the replacement of convolutional blocks with pretrained components (e.g., ResNet blocks), as well as parameter tuning. Special attention is given to assessing the impact of these modifications on overall accuracy, rare class prediction, and cross-domain robustness. The experimental results aim to contribute to a deeper understanding of the advantages and limitations of pretrained models in the context of multi-temporal semantic change detection. Finally, we provide an evaluation of the effectiveness of the proposed modifications and formulate recommendations for further development of SITS-SCD architectures. daljinsko zaznavanje časovne vrste satelitskih slik semantično zaznavanje sprememb SITS-SCD predtrenirani modeli ResNet DynamicEarthNet MUDS remote sensing satellite image time series semantic change detection SITS-SCD pretrained models ResNet DynamicEarthNet MUDS true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2025-09-15 14:20:10 2025-09-15 14:20:17 2025-11-07 03:56:22 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38063 253404163 Trsan_Jan_-_Veccasovna_semanticna_zaznava_sprememb_v_opazovanju_Zemlje.pdf Trsan_Jan_-_Veccasovna_semanticna_zaznava_sprememb_v_opazovanju_Zemlje.pdf 1 CED7024394DCA55E56F6FB24FE4911E4 c439fcce9b399bbbebba211ef22d634c2d942feba5cdd55604e5df07cedc4988 2b630f14-922e-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=217583 Fakulteta za računalništvo in informatiko 0 0 0