HUBENÝ, M. Koncepty strojového učení pro kategorizaci objektů v obrazu [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2017.
Diplomová práce se zabývá koncepty strojového učení, konkrétně teoretickému popisu generativních a diskriminativních modelů a praktické realizaci jednoho vybraného přístupu pro kategorizaci obrazů. Některé pasáže jsou hůře čitelné a obsahují gramatické chyby, zdvojená slova apod. Např. SVM algoritmus je popsán sérií 29 vzorců bez dostatečně jasného okolního textu nebo doprovodných schémat, takže se čtenář snadno ztratí v terminologii. Teoretická část, ač hůře čitelná, je rozsahem odpovídající zadání. Praktická část je naopak velmi stručná, ačkoliv byla provedena řada experimentů. Diplomant si zvolil SVM klasifikátor pro kategorizaci příznaků získaných zadanou metodou Bag of Words (vizuální slova) a pro vybrané veřejně přístupné galerie dosáhl z pohledu ověření metody dobrých výsledků. Konzultace byly v pořádku, nicméně bylo vhodnější rozvrhnout zátež rovnoměrně.
Úkolem diplomata bylo navrhnout a implementovat kategorizaci objektů v obraze vybranou metodou strojového učení. Zadání lze po odborné stránce považovat za středné náročné. Předložený dokument má zhruba 70 stran rozepsaných do 3 kapitol. Logické rozdělení práce do více kapitol je možná jen moje představa, která nemá vliv na posouzení obsahové kvality práce. Teoretická část (kapitola 2) je po stránce obsahové odpovídající problematice, z textu je jasné zaměření toretické části pouze směrem k řešené úloze bez většího přesahu. Některé pasáže jsou rozepsány až příliš podrobně (zejm. Support vector machines), student čerpal z dostupných zdrojů. K praktické části mám několik výtek. Student zvolil kombinaci SVM a BoW bez dalšího vysvětlení nebo porovnání úspěšnosti s jinými metodami. Pro porovnání úspěšnosti bylo zvoleno 300 trénovacích vzorů a 150 testovacích vzorů z jedné množiny z veřejně dostupných zdrojů. Vzhledem k potenciálu použitých metod bych uvítal mnohem větší počet vzorů pro posouzení úspěšnosti, použití testovací sady z jiného zdroje, než je trénovací sada a zejména alespoň nějaký test s vlastnoručně pořízenými snímky. Rozsah praktické části 15 stran je taktéž trochu poddimenzovaný. Zcela bez komentáře je na přiloženém CD dataset objektů, který nebyl použit (256_ObjectCategories, 14_objects), který by byl však velmi zajímavý vzhledem k rozsahu. Kladně však hodnotím výsledek použitých metod (úspěšnost pěrs 98% pro rozlišení 4 typů objektů), který, ač nedostatečně popsán, svědčí o úsilí věnovanému práci a vhodně zvolených a implementovaných metodách. Tohoto výsledku bylo dosaženo zejména díky inženýrským znalostem a dovednostem diplomenta. Práci doporučuji k obhajobě.
eVSKP id 102623