ŠIMEČEK, V. Metody komprese vícerozměrných signálů ze STEM mikroskopů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.
Bc. Vít Šimeček svou diplomovou práci vypracoval pro firmu Thermo Fisher Scientific. Cílem práce bylo prověřit možnosti různých metod pro kompresi obrazu ve skenovacích elektronových mikroskopech. Student samostatně nastudoval, pochopil a aplikoval potřebné partie matematiky, které jsou nad rámec matematiky vyučované v našem magisterském studiu. K práci přistupoval svědomitě a s plným nasazením, což se odrazilo ve vysoké úrovni výsledné technické zprávy. Konzultace využíval v dostatečné míře. Aplikoval a vyhodnotil vhodnost standardních kompresních metod, jako jsou PNG, JPEG a jejich modifikace. V práci navrhl a demonstroval využitelnost Slepianovy báze ve dvou základních modifikacích: bázi frekvenčně omezenou na oblast ve tvaru čtverce nebo kruhu. Tyto výsledky publikoval na mezinárodní konferenci Student EEICT. Dle mého názoru všechny uvedené skutečnosti potvrzují schopnost studenta plně propojit své matematické znalosti a programátorské dovednosti, čímž splnil všechny body zadání. Věřím, že student Vít Šimeček bude pokračovat v Ph.D. studiu a dále se věnovat obdobné problematice. Student u mě získal 95 bodů a klasifikuji jeho práci známkou „výborně“.
Úkolem diplomanta bylo nastudovat a aplikovat metody komprese vícerozměrných dat včetně návrhu vlastní kompresní metody založené na Slepianových funkcích. Zadání diplomové práce lze hodnotit po stránce odborné i časové jako náročné. Lze konstatovat, že bylo splněno v celém požadovaném rozsahu. Diplomant prokázal dobrou orientaci v problematice, zvolenou koncepci i postup řešení lze považovat za správné. Práce dobře dokumentuje postup řešení a má logickou strukturu. Celkový rozsah čistého textu práce je 61 stran. Teoretická část v první kapitole obsahuje stručný popis principu STEM mikroskopie, včetně popisu charakteru dat. Druhá kapitola je pak věnována principu kompresních metod, zejména JPEG, JPEG2000, PNG a uvedení dalších specializovaných přístupů. Třetí kapitola krátce popisuje použitý dataset se snímky grafenu. Praktická část pak začíná čtvrtou kapitolou, kde jsou nejdříve zhodnoceny „klasické“ metody a v páté kapitole pak stěžejní část práce – implementace Slepianovy báze pro kompresi vícerozměrných dat a porovnání vytvořeného kompresního algoritmu s ostatními metrikou MAE a PSNR. Formální stránka práce je na velmi dobré úrovni, text je psán srozumitelně a technicky korektně, grafická úprava je dobrá. V práci je použito 29 citací, z toho několik klíčových odborných zdrojů, včetně monografií a dalších relevantních odborných publikací. Citace jsou přehledně uvedeny v seznamu literatury. K práci prakticky nemám žádné relevantní výhrady. Výsledkem práce je kompresní algoritmus založený na Slepianových sekvencích, jehož funkčnost byla ověřena. Dobře okomentované algoritmy realizované v jazyce Python jsou přílohou práce. Výsledky jsou prezentovány srozumitelně a s využitím odpovídajících metrik. Diskuze praktické využitelnosti mohla být rozšířena např. o odhad výpočetní náročnosti a diskuzi potenciálních omezení navržené metody, např. vlivu šumu, robustnosti či škálovatelnosti. Závěrem mohu konstatovat, že předložená práce bezesporu svědčí o inženýrských schopnostech studenta, doporučuji práci k obhajobě a navrhuji hodnocení A/95b.
eVSKP id 167788