HRDÝ, M. Segmentace obrazových dat využitím hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Úlohou študenta bolo navrhnúť a realizovať neurónovou sieť schopnú segmentovať objekty v obraze podľa naučených vzorov. Samotná práca je pomerne rozsiahla, prehľadne členená a vhodným spôsobom rozoberá danú problematiku. Študent bol počas celého procesu riešenia záverečnej práce aktívny a k samotnému riešeniu pristupoval zodpovedne. Zadanie práce bolo splnené, študent preukázal svoje odborné znalosti a schopnosti. Výsledkom práce je naučený model segmentačnej neurónovej siete, ktorý je schopný segmentovať základné elektronické súčiastky. Za týmto účelom bol vytvorený dataset, ktorý študent sám pripravil, spracoval a následne anotoval. Práca bola taktiež rozšírená o ďalší naučený model neurónovej siete, ktorý dokáže rozpoznávať prítomnosť rúk v scéne obrazu. Spomenuté rozšírenie bolo implementované z dôvodu zaistenia bezpečnosti, vzhľadom na možné praktické využitie navrhnutého riešenia. Výsledné riešenie záverečnej práce využíva vhodné metódy, je detailne prepracované a kvalitne zdokumentované. V závere je možné konštatovať, že množstvo a kvalita odvedenej práce študenta zodpovedá výbornému hodnoteniu. Prácu preto hodnotím 100 bodmi, A.
Student se zabývá metodami segmentace obrazových dat pomocí hlubokého učení. Konkrétním zaměřením je segmentace elektronických součástek na deskách plošných spojů. Z formální části mám k práci několik výhrad. Abstrakt práce postrádá typické vlastnosti abstraktu. V úvodu student píše pouze o obecných věcech týkajících se neuronových sítí a segmentace obrazu. Postrádám zde text popisující aplikaci segmentace na elektronické součástky. O samotném zaměření práce se čtenář dozví až na straně 40. Práce obsahuje několik typografických a gramatických chyb. Dále bych vytkl používání anglických výrazů, např. enginů a dataset. Podkapitola 4.1 zabývající se původními segmentačními metodami je z hlediska zaměření této práce irelevantní. Student uvádí také některé nepřesné nebo zavádějící informace. Dále bych vytkl neuvedení jednotek v tabulce 5.4 a obrázcích 5.3 a 5.4 (informace je nutné uvést i v případě, že se jedná o bezrozměrnou jednotku). V práci také postrádám podrobnější diskuzi o provedených experimentech. Z obrázku 5.5 (špatně označený jako tabulka 5.5) student usuzuje, že nedošlo k přetrénování modelu neuronové sítě. Nicméně grafy obsahují pouze průběh ztrátové funkce na trénovací datové množině, nelze tedy tvrdit, že nedošlo k určitému přetrénování. Na straně 54 jsou v textu uvedeny hodnoty ztrátové funkce, z které je evidentní, že došlo k mírnému přetrénování. Praktická část práce je na dobré úrovni. Student si vytvořil vlastní datovou množinu. Tu použil na natrénování neuronových sítí. Výsledkem je metoda schopná klasifikovat a segmentovat integrovaný obvod, relé, kondenzátor a LED diodu. Student splnil zadání v celém rozsahu. Na základě uvedených poznatků navrhuji hodnocení B/87b.
eVSKP id 133559