PROVAZNÍK, M. Identifikace účastníků silničního provozu pomocí metod hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2022.
Student se v práci zabýval použitím algoritmů hlubokých konvolučních neuronových sítí pro detekci účastníků silničního provozu. V teoretické části popisuje nejpoužívanější přístupy z oblastí počítačového vidění, hlubokého učení a detekce objektů. V aplikační části pak popisuje výběr technologií pro vyřešení úlohy, volbu detekčního algoritmu a datasetu, implementaci, trénovací strategie, a experimenty s různými optimalizačními algoritmy. Student zvládnul moderní a poměrně obtížnou tématiku výborně, pracoval velmi samostatně. Vytknout by se dalo to, že některé obrázky mohly být do práce vloženy v lepší kvalitě a mohly být přeloženy do jazyka práce. Stejně tak mohlo být na trénování sítě alokováno více času, což by určitě vedlo k její větší přesnosti. Práci doporučuji k obhajobě a hodnotím známkou A/výborně.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Splnění požadavků a cílů zadání | A | ||
| Postup a rozsah řešení, adekvátnost použitých metod | A | ||
| Vlastní přínos a originalita | A | ||
| Schopnost interpretovat dosažené výsledky a vyvozovat z nich závěry | A | ||
| Využitelnost výsledků v praxi nebo teorii | B | ||
| Logické uspořádání práce a formální náležitosti | A | ||
| Grafická, stylistická úprava a pravopis | B | ||
| Práce s literaturou včetně citací | A | ||
| Samostatnost studenta při zpracování tématu | A |
Autor se zabývá stále nedostatečně zvládnutým a velmi obtížným problémem spolehlivé detekce důležitých objektů z obrazu s potenciálem zvýšení efektivity a bezpečnosti silničního provozu. Vlastnímu řešení předchází obsáhlá rešerše problematiky umělých neuronových sítí, konkrétně hlubokých konvolučních, a počítačového vidění. Metoda transfer learningu byla velice vhodně využita a výsledky jsou adekvátní možnostem poskytnutého hardware a dostupnému času pro trénování. Postup odladění všech algoritmů na méně datech hodnotím velmi kladně. Výběr optimalizačního algoritmu je také analyzován pro zlepšení konvergence. Odevzdaný zdrojový kód je na poměrně vysoké úrovni a je důkazem autorových schopností vybrat, přizpůsobit a propojit velké softwarové balíky ve funkční celek. Použitou literaturu je vhodnější začínat citací odborných publikací a norem, až pak zmiňovat stránky použitých softwarový balíků. Reference [2] je odkazem příliš nespecifická a vyskytuje se až v kapitole 6.3.1; odkazovaný dokument se tématem "zamražení" vrstev nezabývá a URL vede na hlavní stránku projektu TensorFlow. Množství použitých zdrojů je nadprůměrné a reference jsou celkově relevantní. Některé obrázky by bylo lépe uložit vektorově a nebo pomocí bezztrátové komprese (PNG, Delta+LZ77), například grafy. Zejména obrázek 1 trpí typickými artefakty ztrátové komprese (JPEG, DCT) obsaženého barevného textu.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Splnění požadavků a cílů zadání | A | ||
| Postup a rozsah řešení, adekvátnost použitých metod | A | ||
| Vlastní přínos a originalita | A | ||
| Schopnost interpretovat dosaž. výsledky a vyvozovat z nich závěry | A | ||
| Využitelnost výsledků v praxi nebo teorii | A | ||
| Logické uspořádání práce a formální náležitosti | A | ||
| Grafická, stylistická úprava a pravopis | B | ||
| Práce s literaturou včetně citací | C |
eVSKP id 140063