20.500.12556/RUL-186631 Zaznavanje sprememb v radarskih slikah z globokim učenjem Deep learning for change detection in radar images Tehnologija 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. Synthetic Aperture Radar (SAR) enables Earth surface observation regardless of illumination conditions or cloud cover. Due to the process of image acquisition and the characteristics of radar backscatter, SAR imagery differs substantially from optical imagery, raising the question of the extent to which domain-specific adaptations are necessary when applying deep learning methods. In this thesis, we examine this question in the context of bitemporal food detection using Sentinel-1 imagery from the OMBRIA dataset. We adapt the BTC architecture to SAR imagery and integrate it with the Copernicus-FM foundation model. We experimentally evaluate the impact of different data augmentation techniques and examine whether their physical plausibility with respect to SAR image acquisition is reflected in model performance. The results show no clear relationship between the physical plausibility of the augmentations and their effectiveness. The best-performing combination, which also includes transformations that are physically questionable in the context of SAR, achieves an average F1 = 0.8529. An additional comparison of encoder configurations shows that the best performance is achieved by a Swin-T encoder pretrained on optical imagery SAR globoko učenje podatkovne augmentacije daljinsko zaznavanje zaznavanje sprememb SAR deep learning data augmentation remote sensing change detection true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-09-03 14:15:01 2026-09-03 14:15:16 2026-09-17 10:04:29 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38926 291388419 Kralj_Nika_-_Zaznavanje_sprememb_v_radarskih_slikah_z_globokim_ucenjem.pdf Kralj_Nika_-_Zaznavanje_sprememb_v_radarskih_slikah_z_globokim_ucenjem.pdf 1 7FFF6B5C701536CE67522905D936B0D4 f649d26721292e53df5bde6f5549ffe53746c1e054412927968b36ce7bc0a3a6 21eab442-a791-11f1-8bc5-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=245920 Fakulteta za računalništvo in informatiko 0 0 0