ADÁMEK, V. Přesná a spolehlivá lokalizace bodů zájmu na automobilu [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2025.
Jedná se o práci výzkumného charakteru. Řešitel musel proniknout do netriviální problematiky strojového učení pro detekci klíčových bodů. V rámci řešení řešitel navrhl vlastní metodu, kterou implementoval a experimentálně vyhodnotil. Navržená metoda zatím nevedla k "průlomovému" řešení, ale přináší jistou inspiraci a poznání a může být zajímavé ji dále rozpracovat.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Informace k zadání | Zadání bylo výzkumného charakteru. Řešitel musel nastudovat problematiku detekce klíčových bodů a výpočtu jejich deskriptorů, jejich následné použití a metody strojového učení používané v této oblasti. Na základě studia navrhnul, implementoval a experimentálně vyhodnotil inovativní přístup k detekci klíčových bodů ve specializované doméně zpracování obrázků aut. Zadání tak patří mezi náročnější. | ||
| Práce s literaturou | Řešitel musel vyhledat a nastudovat množství aktuálních a značně odborných zdrojů, osvojit si metody strojového učení a jeho vyhodnocování. Práce je výzkumného charakteru a tak vycházel z aktuální vědecké literatury. | ||
| Aktivita během řešení, konzultace, komunikace | Řešitel pracoval intenzivně po oba semestry řešení bakalářské práce. Jeho situaci v průběhu řešení zkomplikovala tíživá rodinná situace. Z toho důvodu odevzdává práci s odkladem (na základě doporučení vedoucího). Na řešení bakalářské práce vynaložil značné úsilí a naučil se mnoha netriviálním znalostem a dovednostem. | ||
| Aktivita při dokončování | Práce byla odevzdána v pozdějším termínu na základě korektního schválení a na základě doporučení vedoucího. Výsledný výtvor i textová zpráva byly dostatečně konzultovány. | ||
| Publikační činnost, ocenění | N/A |
The student was able to test an advanced idea which required him to segment an image dataset, extend existing codebase for SuperPoint training, slightly update COLMAP and evaluate the results by running 3D reconstructions. As such, the work is complex and impressive. However, the text is a bit confusing, sometimes imprecise and does not separate ideas and implementation enough. Further, the changes in SuperPoint loss are partially flawed the the experiments are limited and not conclusive.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Náročnost zadání | The task includes training a keypoint detector and evaluation of the produced keypoints in some downstream vision task. | ||
| Rozsah splnění požadavků zadání | |||
| Rozsah technické zprávy | |||
| Prezentační úroveň technické zprávy | 69 | The text is mostly understandable, but is should be structured better. The biggest issue I have is that the whole approach is not clearly and concisely described in any one place of the text . The most concise explanation is in Introduction, but this is not specific enough. Chapter 4 should start with method overview including a "data flow" diagram. The text does not separate ideas and methods from implementation. Some parts are imprecise and slightly harder to understand. The description of SuperPoint training is imprecise and bit confusing. | |
| Formální úprava technické zprávy | 71 | The text is written in good English without any serious issues. Some typographic and formal issues are present: Several tables (5.1) and figures (2.2, 2.4, 2.5, 2.6, 2.7) are not referenced from the text. Code snippets are not suitable. Listing 5.1 should be a table. Reference to Figure 2.3 in the text is missing "Figure". Figures 5.5, 5.6 (and perhaps 5.9, 5.8) are not a good way to present the data. Figures 5.3 and 5.4 contain graphs with "weird" artefacts. Figures 5.2, 5.3, 5.4 are raster images. Table 5.1 could be formatted better. | |
| Práce s literaturou | 75 | The text references 22 sources which are relevant, high quality and altogether adequate for the thesis. Considering the topic, I'm missing few sources representing the possible applications of keypoints in traffic monitoring. The sources are used in the text reasonably well; however, the explanation of SuperPoint is a bit confusing. Notes: Moravec corner detector is missing a source in 2.2.1. CompCars and Stanford Cars Dataset are missing references at the beginning of Chapter 3. Detectorn is missing a reference in 3.1. SupperPoint is missing references in Chapter 4. Some sections in 2.2 contain general statements without references to sources (e.g. "Remains a foundational method in CV and is still widely used") | |
| Realizační výstup | 67 | The student extracted car segmentations from an existing dataset using an existing model, extended an existing SuperPoint training codebase to support the datasets of images with segmentation masks, incorporated the masks into the loss function, and used COLMAP to evaluate sparse 3D reconstruction quality. This is a reasonable achievement; however, the proposed mask-based weighting of the model output for the loss function is flawed (passing 0/1 as logits into softmax is not the best idea). The experiments are not too informative in general and the 3D reconstruction evaluation does not distinguish between car and background reconstruction which reduces even though only the car surface is relevant. When finetuning the SuperPoint model, only detection head uses the segmentation masks. The descriptor head was not changed. | |
| Využitelnost výsledků | The presented solution is innovative; however, the tested approach is partially flawed and the experiments do not give a clear answer to the question if the finetuned models produce better keypoints (and descriptors) on cars or not. |
eVSKP id 162607