SARANČUK, N. Implementace autoenkodéru pro zpracování obrazových dat [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Student pracoval téměř výhradně samostatně, konzultace využil jen zřídka na začátku práce a poté už jen během výběru vlastních objektů k inspekci a v závěrečné fázi před odevzdáním. Přesto student body zadání splnil relativně dobře. Teoretická část práce se mi jako jediná nejeví jako příliš dobře rozvržená, protože student spotřeboval zbytečně hodně prostoru na popis běžně známé teorie strojového učení a základní architektury CNN, zatímco popis nosné specifické architektury autoenkodérů odpovídající zadání práce je náplní pouhých 5 stran. To je škoda, jde o zajímavé téma. V praktické části kvituji pořízení vlastního datasetu kovových pružin světel, protože se z hlediska materiálu a geometrie nejedná o nejjednodušší volbu pro následnou klasifikaci, nadto při volném uložení objektu, který si student sám vybral. Čtivost práce zbytečně snižuje místy neodborná, přesněji řečeno nezavedená, terminologie a stručný nebo chybějící popis - např. termín pozitivní třída nebo pak ve vzduchu visící obrázek 6.4 bez uvedení důvodu jeho přítomnosti v práci. Praktickou část práce však student zvládl dobře, implementoval dostupný detektor, ověřil rekonstrukční schopnost na vlastním datasetu a vyhodnotil parametry zvolené architektury podle pravidel užívaných ve strojovém učení. Chybí ale analýza výpočetní náročnosti, nelze tak dosažené výsledky snadno porovnat s výsledky jiných prací. Formální stránka práce je slabší. Zadání bylo ale jednoznačně splněno, doporučuji k obhajobě.
Student se v bakalářské práci zabývá využitím autoenkodéru pro vizuální detekci anomálií v průmyslové inspekci. V teoretické části práce, která čítá šestnáct stran, poměrně hezky a pro práci dostatečně popisuje jednotlivé druhy klasifikace, jednoduché neuronové sítě, teorii umělého neuronu a jejich učení, konvoluční neuronové sítě a nakonec pak autoenkodéry. Tato část je většinou zpracována poměrně kvalitně – doplnil bych podrobnější náhled do problematiky detekce anomálií, popsal pokročilejší metriky jako např. AUC a podrobněji popsal přenosové funkce. Po formální stránce bych vytknul občasné nevhodné termíny, pravopisné chyby a nevhodné členění odstavců – zde se ale jedná hlavně o drobné opomenutí. Praktická část práce, která čítá dvanáct stran, se pak zabývá tvorbou datasetu, vlastní implementací vybraného autoenkodéru pomocí knihoven Keras a TensorFlow a nakonec vyhodnocením kvality klasifikace. Dosažené výsledky jsou poměrně slibné, na druhou stranu mi zde ale chybí hlubší zdůvodnění výběru použitého modelu, porovnání s jinými možnými modely a hlubší zhodnocení dosažených výsledků. Praktická část práce sice popisuje vše potřebné a dosažené, mohla by však ale být o něco obsáhlejší. Cílů práce bylo dosaženo v plném rozsahu. S ohledem na výše uvedené navrhuji ohodnotit práci 75 body a známkou C.
eVSKP id 142236