SHEMSHUR, A. Využití neoznačenačených dat pro segmentaci sítnice [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Student se ve své práci zabýval využitím neoznačených dat pro segmentaci retinálních obrazů, kde se snažil využít velké množství neoznačených dat pro zlepšení výsledku segmentace pomocí konvoluční neuronové sítě U-Net. Povedlo se mu implementovat síť pro segmentaci dat, se kterou následně otestoval předučenou neuronovou síť, využití neoznačených dat formou pseudolabelů a self-supervised předučení odstraněním šumu. Je tedy zřejmé, že prakticky odvedl velké množství práce, avšak text obsahuje četné nedostatky. Práce je sice kompletní, ale mnohé věci by si zasloužily více rozvinout a vylepšit. Student v práci využil dostatek vhodných literárních zdrojů. Po formální stránce práce obsahuje pouze drobné nedostatky jako nízká kvalitu některých obrázků a občasné překlepy. Teoretická část obsahuje mnohé nepřesnosti a řadu nevhodných formulací. Rešerše metod pro využití neoznačených dat by mohla být podrobnější, kde mnohé aktuální metody v popisu chybí (jako např. "Contrastive Learning" a "Knowledge Distillation"). V praktické části musím vytknout chybějící optimalizaci hyperparametrů, bez které jsou metody mezi sebou jen obtížně porovnatelné. Je také škoda, že student nestihl vyzkoušet kombinace vytvořených metod. Velmi vhodný by byl také graf, který by podrobně a vizuálně srovnal výsledky testovaných metod. Soubory přiloženého kódu by si zasloužily trošku více popsat a strukturovat. Praktická část je však dostatečná. Student vytvořil základní segmentační síť včetně otestování různých chybových funkcí a augmentace dat. Následně implementoval již zmiňované metody využití neoznačených dat. To považuji vzhledem k bakalářské úrovni za dostatečné až chvályhodné. Zadání je splněno, avšak kvůli zmíněným nedostatkům hodnotím stupněm B – 85 bodů.
Student se zabývá ve své práci pokročilými technikami segmentace retinálních obrazů s využitím hlubokého učení, a to se specifikací na učení s neoznačenými daty. Téma na úrovni bakalářského studia překračuje standardní vyučovanou látku a lze považovat za časově i odborně náročnější. Předložená práce je na kvalitní úrovni, text je zpracován velmi kvalitně a s využitím velmi zajímavé struktury. Oceňuji minimalizaci teoretické části jen na relevantní znalosti shrnuté v pěkné rešerši algoritmů a metod. Nicméně musím přísně vytknout, že student v práci využívá konkrétní citace ve velmi omezeném množství a např. kapitola 2.4 neobsahuje ani jednu citaci, byť se jedná o popis ryze teoretických znalostí i se vzorci. Jsem přesvědčený, že student ve velké míře využíval nástroje generativní umělé inteligence, jejíž použití v práci neuvádí. I styl popisu teoretické části je velmi nezvyklý vzhledem standardům VUT, nicméně velmi vhodný a čtivý, avšak opět velmi podobný popisnému stylu GPT. Některé části obsahují odborné nepřesnosti nebo ne zcela běžně používané termíny v oblasti strojového učení. V praktické části student implementoval standardní segmentační přístup využívající architekturu U-net, kterou dále podrobil “transfer learningu” jako metodě pro učení s málo označenými daty a do třetice využil přístup s pseudo-značenými daty. Implementace je na dobré úrovni, odevzdané zdrojové kódy jsou z programátorského hlediska na vysoké úrovni. Vzhledem k tomu, že student necituje žádné zdroje těchto kódů ani využití GPT, předpokládám, že tyto kódy jsou ryze autorským dílem studenta. Dále student porovnává tyto přístupy a v práci řádně diskutuje. Bohužel jsem nedohledal natrénované modely, které by měly být nedílnou součástí odevzdaných zdrojových kódů, aby bylo možné reprodukovat dosažené výsledky. Navíc student v práci uvádí pouze jeden jediný obrazový výstup segmentace, a to nezdařený případ pseudo-labelingu. Na základě odevzdaného textu hodnotím tuto práci jako kvalitní, nicméně nejsem schopen určit míru vlastního přínosu studenta k této práci. Z výše uvedeného hodnotím práci celkovým dojmem stupněm B 85 bodů.
eVSKP id 159722