JEDLIČKA, F. Rozpoznání květin v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.
V rámci diplomové práce se student zabýval návrhem frameworku na rozpoznání vybraných květin na základě jejich obrazové reprezentace. Obecně lze práci rozdělit na dvě části. V první části byla vytvořena obsáhlá databáze cca 20 druhů květin. Tato část byla poměrně časově náročná vhledem k manuální povaze činnosti, ačkoli k usnadnění byly v rámci práce vytvořeny různé pomocné skripty. Druhá část práce se potom věnuje návrhu a natrénování modelu konvoluční neuronové sítě vycházející z původního modelu Inception od společnosti Google. Tady vidím asi největší slabinu práce, kdy vlivem pozdějšího zahájení prací nebylo možné z časových důvodů provést rozsáhlejší experimenty s nastavením jednotlivých parametrů daného modelu. Nicméně zadání bylo splněno.
Student se zabývá poměrně složitou problematikou - metodami hlubokého učení pro budoucí rozpoznání několika druhů květin v obraze. Text práce je přehledně členěn do kapitol věcně popisujících problematiku neuronových sítí. Vzhledem k cílům práce však v teoretické části chybí např. detailnější popis procesu učení CNN, problematika stanovení počtu skrytých vrstev a neuronů apod. Formálně práce obsahuje větší množství překlepů, některé obrázky schémat nejsou vektorové (viditelně horší kvalita, např. str. 30, obr. 4.1). Hlavním úkolem bylo vytvoření vyhovující databáze květin pro následné trénování CNN, což bylo splněno. Zde lze vytknout studentovi, že si vybral zbytečně velké množství tříd (26) pro klasifikaci na úkor malého množství trénovacích dat (400 a méně), přičemž sám udává optimální velikost těchto dat na cca 400 – 900. Praktická část se dále omezuje na upravení a „natrénování“ již vytvořených a dostupných modelů sítí (MNIST, Inception). Zde postrádám popis toho, jak byl model pozměněn oproti originálu, popis procesu učení konkrétního algoritmu apod. Vyhodnocení klasifikace na obou modelech je pak provedeno vcelku přehledně a detailně. Bod zadání „Na základě dosažených výsledků navrhněte úpravy a doporučení pro zvýšení spolehlivosti algoritmu při nasazení v reálných podmínkách“ je opomenut nebo zredukován na věty typu „Výsledná trénovací přesnost přibližně 75% při klasifikaci do 10 tříd je podprůměrná, důvodem je pravděpodobně jednoduchost neuronové sítě a malý testovací dataset“ (str. 30). Práce z velké části splnila zadané cíle, vzhledem k uvedeným nedostatkům ji navrhuji hodnotit stupněm C (70 b.).
eVSKP id 110070