PECHÁČEK, V. Systém detekce změn událostí ze družicových dat pomocí umělé inteligence [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.
Student pracoval na tématu diplomové práce již několik měsíců před začátkem školního roku. Student pracoval dlouhodobě samostatně, efektivně, zaměřoval se na věci do hloubky, pravidelně konzultoval a obecně pracoval velmi systematicky. Do práce přinášel vlastní nápady a je vidět, že ho práce baví. Vypracoval obšírnou rešerši současného stavu poznání, popsal několik dostupných datasetů pro detekci změn v družicových snímcích, který předzpracoval a identifikoval metody detekce změn pomocí modelů neuronových sítí. Vybrané modely si nastudoval do hloubky a silně oceňuji jeho vlastní úpravy sítí směrem ke optimalizaci výkonu a energetické náročností detekčních modelů. Výsledky experimentů popsal přehledně a detailně a výsledky vyhodnotil s ohledem na cíle práce. Dosažené výsledky v práci převyšují očekávané výsledky diplomové práce a po drobných úpravách by byly hodné vědecké publikace. Práce je po formální i obsahové stránce na výborné úrovni, obsahuje pouze pár drobných formálních nedostatků, které nebrání k vynikajícímu hodnocení a proto navrhuji plných 100 bodů. Práce disponuje i posudkem externího konzultanta v přílohe.
Diplomová práce se zabývá návrhem systému pro detekci změn událostí ze satelitních snímků s využitím metod umělé inteligence. Text je velmi dobře strukturovaný a přehledný, což čtenáři umožňuje snadnou orientaci. Úvod a teoretická část jsou věcné a srozumitelně napsané, přičemž autor vhodně shrnuje aktuální stav poznání v oblasti zpracování družicových dat i přístupů strojového a hlubokého učení. Výklad je podložen odbornou literaturou, která je navíc aktuální. Zpracování praktické části považuji za velmi kvalitní. Autor provedl fúzi čtyř veřejně dostupných datasetů a sjednotil jejich reprezentaci převodem na jednokanálová obrazová data. Výsledná vstupní data jsou díky tomu konzistentní. Statistická analýza i vizualizace jsou zpracovány přehledně a metodologicky správně. Student navrhl a implementoval vlastní model v prostředí PyTorch, čímž prokázal nejen samostatnost, ale i velmi dobrou orientaci v oblasti hlubokého učení. Optimalizace modelu byla provedena s minimálním dopadem na jeho výkon a celý systém byl navíc otestován na reálných datech, což potvrzuje jeho praktickou využitelnost. Práce obsahuje jen velmi drobné nedostatky. V textu se vyskytlo několik překlepů a jeden z odkazů na obrázek neodpovídá číslování. V teoretické části se objevují nepřesné výrazy, například „regresivní analýza“ místo správnějšího „regresní analýza“ nebo „stroj podpůrných vektorů“ namísto běžného „metoda podpůrných vektorů“. Tyto nepřesnosti pravděpodobně vznikly vlivem doslovného překladu z anglického originálu. Domnívám se také, že metody klasifikace scén na družicových snímcích by si zasloužily samostatnou podkapitolu, i když jde o subjektivní návrh na zlepšení struktury textu. Celkově hodnotím odbornou i prezentační úroveň práce jako velmi vysokou. Student prokázal hluboké znalosti v oblasti zpracování obrazových dat i praktického využití metod umělé inteligence. Práce je přínosná po stránce metodické i aplikační. Souhrnně hodnotím práci výborně.
eVSKP id 167187