20.500.12556/RUL-188806 Generativna segmentacija za opazovanje Zemlje Generative segmentation for Earth observation Segmentacija 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. Segmentation of satellite imagery represents a crucial stage in remote sensing data analysis for urban planning, environmental monitoring, and disaster response. Despite the success of discriminative models, such approaches often fail to capture spatial coherence, boundary uncertainty, and image parts ozadjethat could be construed as multiple classes. In this thesis, we address these limitations by introducing a generative framework that reformulates satellite image segmentation as the synthesis of a segmentation mask in latent space via rectified flow. The generative process is conditioned on features from the pretrained visual encoders DINOv3 and DEO. We evaluate the proposed method on three publicly available datasets: SpaceNetv1, GeoBench Chesapeake, and GeoBench Cashew, covering binary building detection as well as multiclass segmentation of urban and agricultural land cover from satellite imagery. The proposed method achieves a mean IoU of 70.40, ranking second among the compared approaches. On the multispectral GeoBench Cashew dataset, it achieves the best result among all compared methods, with a macro-IoU of 69.67. We demonstrate that encoder adaptation and the choice of the source distribution affect the quality of the results. generativni modeli izravnalni tok segmentacija satelitskih slik opazovanje Zemlje globoko učenje generative models rectified folw satellite image segmentation Earth observation deep learning true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-09-28 15:50:01 2026-09-28 15:50:09 2026-09-29 04:06:24 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 38873 Mocnik_Fedja_-_Generativna_segmentacija_za_opazovanje_Zemlje.pdf Mocnik_Fedja_-_Generativna_segmentacija_za_opazovanje_Zemlje.pdf 1 D7163425495BA3546B6E1EBFC20B8FFE 31f21f789a36008809ce0cb56277ab66b54c3568ba4df47d6dd9a927a99a54b4 6bd18c8d-bb43-11f1-8bc5-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=249152 Fakulteta za računalništvo in informatiko 0 0 0