HEŽEL, H. Analýza vývoje rostlin pomocí umělé inteligence [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024.
Student se věnoval dříve neznámé problematice klasifikace obrazových dat a značně se v této oblasti během řešení práce posunul, čehož si cením. Podařilo se mu porozumět odborné literatuře a navrhnout vlastní řešení dané úlohy. Výsledem vykazuje prostor ke zlepšení, nicméně je funkční a prakticky využitelný. Do kvality technické zprávy promluvil do jisté míry nedostatek času při dokončování.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Informace k zadání | Práce se zabývá automatizovaným rozpoznáváním fáze růstu rostliny na základě vizuálních dat. Implementace automatického popisovače definujícího vývojovou fázi rostliny vytváří do budoucna možnost možnost pokročilé analýzy a optimalizace pěstebního procesu, což je přesahem této práce. Analýza obrazových dat pomocí neuronové sítě přesahuje znalosti vyučované v bakalářském studijním programu, proto vnímám zadání jako mírně obtížné a ze strany studenta za splněné. | ||
| Práce s literaturou | Student se během vypracování inspiroval doporučenou studijní literaturou, vyhledávál si i odborné publikace vlastní, jejichž využití se mnou řádně konzultoval. | ||
| Aktivita během řešení, konzultace, komunikace | Student měl potíže s dodržováním stanovených termínů, nicméně vždy komunikoval nebo alespoň navštívil konzultační schůzky s cílem hledat vhodné řešení. Na konzultační schůzky chodil připraven. | ||
| Aktivita při dokončování | Během dokončování měl student jistý časový deficit, technickou zprávu tedy nebylo možné náležitě připomínkovat a zapracovat zpětnou vazbu. Student se nicméně snažil organizovaným způsobem maximalizovat využití zbývajícího času pro zlepšení kvality výsledku. | ||
| Publikační činnost, ocenění |
Student navrhl a natrénoval konvoluční neuronovou síť pro odhad stáří salátu. Pro vývoj použil existující dataset. I když je zadání formálně splněno, z dosaženého výstupu je bohužel zřejmé absolutní nepochopení problematiky. Za největší nedostatky práce považuji: Návrh architektury použitých modelů a způsob augmentace dat Nedostatačné experimenty, dosažené výsledky a chybějící diskuze. Typografické chyby v práci a těžká srozumitelnost textu.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Náročnost zadání | |||
| Rozsah splnění požadavků zadání | Zadání bylo formálně splněno, textová i praktická část bohužel vykazují známky nepochopení problematiky ze strany studenta. | ||
| Rozsah technické zprávy | |||
| Prezentační úroveň technické zprávy | 60 | Práce je strukturována do klasického formátu teoretická část/návrh a realizace/závěr. Obsah jednotlivých kapitol je však rozporuplný, některé částí jsou nadbytečné, některé důležité naopak chybí. Při popisu realizace jsou podrobně popsány méně relevantní informace (jako např. způsob načítání obrázků a získání jejich anotací z názvu) důležité informace k trénování a testování však chybí, nebo jsou popsány moc stručně a nesrozumitelně. Student popisuje pokročilé metody učení bez učitele, i když se v práci vůbec nevyužívají, naopak základní pojmy jako klasifikace a regrese ve vztahu k řešenému problému jsou opomenuty. V práci je použit textový popis místo matematických rovnic (např. str. 27). | |
| Formální úprava technické zprávy | 65 | Práce obsahuje značné množství typografických chyb, lehce kontrolovatelných pomocí základních nástrojů (absolôtnej, raslín, hmostnosť, ovyplvňujú,...). Student používá vlastní překlady technických termínů - "Omezený stroj Boltzmann" a jiné. Některé části textu jsou pro čtenáře velice těžko pochopitelné. | |
| Práce s literaturou | 75 | Student správně cituje použité zdroje jak v textu tak u obrázků. Počet citovaných prací je poměrně velký, některé však nejsou relevantní, případně jsou závěry špatně interpretovány. | |
| Realizační výstup | 55 | Student natrénoval dvě různé architektury konvolučních sítí s využitím existující datové sady. Trénovací sada obsahovala 140 snímků co je v extrémním nepoměru k velikosti modelů (~85k parametrů pro malý a ~27M pro větší model), které nebyly předtrénovány. Pro trénování byly použity pouze původní snímky bez jakékoliv augmentace dat. Naopak pro testování byla datova sada rozšířená, a to i operacemi nevhodnými pro řešenou úlohu, jako je změna měřítka. V experimentální části není popsáno, jakým způsobem byla využita validačná sada. Provedené experimenty jsou nedostatečné a dosažený výsledek 75% správnych predikcí na takto jednoduché úloze je neuspokojivý vzhledem k tomu, že při nastavení konstantní hodnoty na výstupu na základě rozložení trénovací sady je možné dosáhnout úspěšnost 70%. I nízká úspěšnost by byla akceptovatelná, kdyby student dostatečně popsal, kde je možný problém a navrhl vylepšení. Student však vyhodnotil dosažené výsledky jako "dobré". | |
| Využitelnost výsledků | Problematika řešená v této práci je relevantní, avšak zvolený přístup a výsledky nejsou v stávající podobě využitelné. |
eVSKP id 154717