GONZALEZ, B. Použití hlubokého učení a unsupervised learning pro segmentaci obrazu [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2025.
Přestože výsledky nejsou převratné a zůstal velký prostor pro další modifikace self-supervised jádra metody CutLER, vážím si přístupu pana Gonzaleze, který se od začátku snažil proniknout do principů metody a nikoliv ji jen povrchně použít. Neměl to však vůbec jednoduché a i při úpravách původní metody narážel na komplikovanou a nedokumentovanou implementaci. Bojoval statečně a s velkým nasazením. Spolupráce s vedoucím byla intenzivní stejně jako aktivita studenta.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Informace k zadání | Využití self-supervised a unsupervised technik učení je jeden z trendů posledních let v hlubokém učení. Není to ovšem snadný začátek seznamování se s hlubokým učením v rámci bakalářské práce. Pan Gonzalez se inspiroval metodou CutLER (2023) a rozhodl se vyzkoušet její principy na datasetu se zcela jiným charakterem. Zvolil Agriculture-Vision dataset, který je od roku 2020 pravidelně využíván v soutěžích v rámci špičkové konference CVPR a je výzvou i pro vědecké týmy. Požadované body zadání byly splněny velmi dobře, i když kombinace metody a charakteru datasetu zřejmě nebyla nejvhodnější a vyžadovala by další modifikace a experimenty. | ||
| Práce s literaturou | Student se po prvotním rozhlédnutí po dostupných metodách zaměřil na metodu CutLER, kterou se snažil opravdu pochopit, což ovšem vyžadovalo se začíst i do odkazovaných článků o metodách jako MaskCut, které CutLER využívá. Věnoval tomu velké úsilí. | ||
| Aktivita během řešení, konzultace, komunikace | V průběhu celého roku byl student velmi aktivní. Pravidelně konzultoval stav řešení a přicházel s konkrétními dotazy i návrhy a podle doporučení směřoval další postup. | ||
| Aktivita při dokončování | Technická zpráva byla dokončena včas a dostatečně konzultována. Realizační část bylo nutné uzavřít, přestože k experimentům se samotným self-learning učením se student dostal až v závěru a neměl na ně dostatek prostoru. | ||
| Publikační činnost, ocenění | Není známa. |
Študent jasne preukázal schopnosť analyzovať metódy prezentované vo vedeckých článkoch v oblasti počítačového videnia. Ukázal, že dokáže navrhnúť experimentálnu metodiku, implementovať potrebné algoritmy a trénovacie prostredia, vyhodnotiť výstupy a zrozumiteľne ich prezentovať v technickej správe. Hoci výsledkom značne experimentálne založenej práce nie je priamy posun hraníc poznania v danej oblasti, študent evidentne získal cenné vedomosti a skúsenosti. Výsledná práca je kvalitne spracovaná, dobre čitateľná a pri ďalšom rozpracovaní by mohla priniesť poznatky zaujímavé pre odbornú komunitu zaoberajúcu sa analýzou leteckých snímkov.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Náročnost zadání | |||
| Rozsah splnění požadavků zadání | Autor splnil všetky ciele, ktoré boli vymedzené v zadaní práce. V práci experimentuje s unsupervised metódou CutLER pre úlohu segmentácie anomálií v leteckých snímkoch, a to v niekoľkých variantách. | ||
| Rozsah technické zprávy | Rozsah technickej správy je v obvyklom rozmedzí. Obsah správy je relevantný a neobsahuje žiadne zbytočné časti. | ||
| Prezentační úroveň technické zprávy | 85 | Logická štruktúra a náväznosti kapitol sú študentom veľmi dobré zvládnuté. Niektoré menšie časti textu by mohli byť súčasťou inej kapitoly, napríklad sekcie 4.1 a 4.2. Práca sa celkovo dobre číta. Pre pochopiteľnosť experimentov by bol vhodný prehľadový obrázok, ktorý vizuálne odlíši jednotlivé experimenty a zasadí ich do kontextu metódy CutLER. | |
| Formální úprava technické zprávy | 89 | Typografická a jazyková stránka technickej správy je na veľmi dobrej úrovni. Škoda, že autorove grafy nie sú vektorové. | |
| Práce s literaturou | 90 | Autor primárne cituje vedecké články, relevantné k riešenej úlohe. V texte je dobre odlíšené, ktoré časti sú prevzané z citovaných zdrojov. | |
| Realizační výstup | 80 | Výstupom práce je sada experimentov, kde hlavným cieľom bolo zistiť, či unsupervised princípy z publikácie CutLER vedú k uspokojivým výsledkom pri segmentovaní anomálií v poľnohospodarskych leteckých snímkoch. Napriek tomu, že niektoré experimenty (napríklad formulovanie úlohy ako detekcia) neviedli k pozitívnym výsledkom, oceňujem, že sú prezentované v technickej správe: i to sú validné a hodnotné zistenia. Finálnym zistením autora je, že princípy CutLERu nie sú bez väčších zmien priamo aplikované na segmentovanie anomálií v poľnohospodarských leteckých snímkoch. Myslím si, že autorova energia by mohla viesť k uspokojivejším výsledkom, keby prebiehla analýza kvality vygenerovaných masiek (strana 57 + obrázok 6.8) úplne na začiatku, a nahradila by tak obsah sekcie 4.2. Mohol by tak potom oveľa skôr určiť, či má zmysel experimentovať s touto metódou, a či by nestálo za vyskúšanie skúmať ďalej dostupnú literatúru. | |
| Využitelnost výsledků | Prezentované výsledky naznačujú, že priame využitie metódy CutLER nie je vhodnou voľbou na unsupervised učenie s datasetom Agriculture-Vision. Na prinesenie úplne nových poznatkov by bolo potrebné vykonať značné množstvo rozsiahlych experimentov, ktoré sú však už nad rámec jednej bakalárskej práce. Segmentačná metóda založená na U-Net++ bez syntetických masiek podľa prezentovaných informácií však dosahuje veľmi dobré výsledky, blízke praktickej použiteľnosti. I tu by však bolo potrebné vykonať dôkladnejšiu validáciu. |
eVSKP id 163426