MATĚJEK, L. Segmentace obrazu pomocí strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Student na bakalářské práci navázal na semestrální práci ve které se seznámil se současnými přístupy k segmentaci obrazu. Pro svou práci, ve které měl rozlišit jednotlivé končetiny lidského těla, využil existující neuronové sítě Keypoint RCNN. Nad touto neuronovou sítí následně vytvořil nádstavbu jež určí podle vzdáleností mezi klíčovými body jak velká by měla být segmentační maska. Navržená metoda je robustní a umožňuje spolehlivě segmentovat jednotlivé končetiny. Malou výtku mám ohledně přístupu studenta k verzovacímu systému git, který nebyl použit během vývoje ale jen pro nahrání finální verze kódu. Celkově měl student práci velmi dobře časově rozvrženou a pravidelně prezentoval své výsledky na konzultacích. Během letního semestru se student zúčastnil studentské konference EEICT 2021. Přístup studenta k problematice, aktivitu i dosažené výsledky hodnotím kladně.
Téma bakalářské práce je zaměřeno na jednu z oblastí strojového učení a sice na rozlišování dílčích částí v obraze. Student v práci stručně a povětšinou velmi přehledně popisuje základní dělení, pojmy a použití strojového učení. Následně se—dle zadání práce—zaměřuje na konvoluční neuronové sítě a konkrétní architektury. V následné kapitole 3 je uvedeno seznámení s detekčními a klasifikačními algoritmy z oblasti počítačového vidění. Veškeré informace jsou hojně citovány a práce obsahuje 46 zdrojů, které jsou všechny v práci použity. Text neobsahuje žádné překlepy a málo formálních nedostatků; mezi které patří především nejednotnost odsazování textu, nelogické odřádkování, odlišné mezery před/za podkapitolami, nesprávné citování převzatých obrázků, veličiny a proměnné nejsou v textu psány kurzivou, občas chybějící interpunkce, nebo dokonce podmět a přísudek. Kvalita/rozlišení obrázků 2.3 a 2.13 je nízká. V rovnicích (2.3) a (2.5) jsou použita stejná označení funkcí. Vlastní aplikace studenta je popsána v kapitole 6 a část zdrojových kódů pro Python jsou dostupné na GitHub repozitáři; oproti elektronické příloze závěrečné práce zde nejsou zdrojové kódy pro trénování. (Ve skriptu train.sh se spouští soubor train1.py, který ale v žádné příloze dostupný není.) Student popisuje možnosti klasifikace částí lidského těla a uvádí také omezení, která klasifikátor obsahuje (především postava z profilu: detekce hlavy/uší, rukou apod.). Zde bych uvítal detailnější uživatelský popis, rovněž odkaz na přílohu „A-Aplikace“ ze strany 53 (Seznam příloh) na stranu 37 je matoucí; na straně 37 je aplikace pouze zmíněna. Měl být uveden odkaz na GitHub nebo na elektronickou přílohu. V kapitole 7 student vyhodnocuje možnosti vytvořené aplikace, včetně dosažených výsledků, početní náročnosti, popisuje slabiny detekčních algoritmů. Práce je pěkným úvodem do problematiky strojového učení a počítačového vidění. Student musel nastudovat velké množství nových informací a programovacích přístupů. Práce je ucelená a srozumitelná.
eVSKP id 133592