MACEČEK, A. Umělá neuronová síť RCE [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2013.
Diplomová práce Aleše Macečka se zabývá rozborem rozpoznávání písmen a porovnáním vhodností klasifikace pomocí RCE sítě a vícevrstvé neuronové sítě s algoritmem učení backpropagation. Vytvořil programy uTeachRCE a vizualizační program RCEin3D vhodné i pro výukové účely. Diplomant během práce prokázala znalosti v oblasti umělých neuronových sítí a počítačového vidění. Diplomant pracoval samostatně, dosažené výsledky konzultoval. Výsledkem práce jsou programy uTeachRCE a RCEin3D a provedený rozbor rozpoznávání písmen pomocí neuronových sítí. Diplomant prokázal své schopnosti při samostatném studiu teorie, realizaci umělé neuronové sítě a požadovaného zhodnocení dosažených výsledků. Zkušební komisi navrhuji hodnocení 91 bodů / výborně.
Úkolem studenta bylo seznámit se s umělou neuronovou RCE sítí a problematikou rozpoznávání písma pomocí umělých neuronových sítí. Dále měl vytvořit program realizující RCE a porovnat úspěšnost RCE sítě a vícevrstvé sítě naučené algoritmem backpropagation (BP). V práci navazuje na svou bakalářskou práci ve které se zabýval stejnou problematikou s využitím vícevrstvé sítě využívající BP. V druhé kapitole se zabývá obecným popisem umělého neuronu a neuronové sítě. Ve třetí kapitole popisuje RCE síť a RBF neurony. Ve čtvrté kapitole se zabývá popisem objektu pomocí centrálních normalizovaných momentů, které dále používá. Oproti bakalářské práci nebyla tato část rozšířena a chybí zdůvodnění proč byla zvolena právě tato metoda. V páté kapitole popisuje vytvořený program uTeachRCE, který implementuje učení a vybavování RCE sítě. V šesté kapitole je provedeno srovnání rychlosti učení a úspěšnosti mezi RCE sítí a vícevrstvými sítěmi naučenými pomocí BP. V sedmé kapitole popisuje vytvořený program RCEin3D sloužící k vizualizaci RCE sítě a návrh úloh do předmětu MUIN. Po formální stránce je práce na velmi dobré úrovni. V rámci práce byla vytvoření trénovací a testovací množina písmen. Při tvorbě trénovací i testovací množiny byla použita pouze rotace, translace a změna měřítka, vůči kterým by měl být použitý momentový popis invariantní. Výsledek srovnání metod při použití dat získaných například kamerou by byl pravděpodobně velmi rozdílný. Program uTeachRCE, sloužící k naučení a otestování RCE sítě a je realizován jako konzolová aplikace. Vstupní data jsou načítány ze souboru s pevně daným názvem, který musí být umístěn ve složce se spustitelným souborem. Výstup je prováděn přímo do terminálu a obsahuje načtená data, parametry naučené sítě a vyhodnocení její úspěšnosti. Při srovnání úspěšnosti RCE sítě a sítě učené pomocí algoritmu BP (kapitola 6.3) je porovnávána úspěšnost mezi RCE sítí naučené z množiny A a B a vícevrstvé sítě naučené pomocí BP pouze z množiny A. Vypovídací hodnota srovnání je dále snížena použitím poměrně malé množiny testovacích dat (každé písmeno je zastoupeno pouze jednou) a tím že při správném nastavení mají obě metody 100% úspěšnost (testovací data vytvořena pomoci transformací na které není momentový popis citlivý). Nad rámec zadaní práce obsahuje také program RCEin3D pro vizualizaci učení RCE sítě a návrh pěti úloh do předmětu MUIN, využívajících vytvořené programy. Přes výše uvedené výhrady bylo zadání práce splněno a práce svědčí o inženýrských schopnostech diplomanta. Navrhuji hodnocení: Uspokojivé(C) 79b
eVSKP id 65574