NAGYOVÁ, L. Aplikace neuronových sítí ve zpracování obrazu [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2014.
Bakalářka Lenka Nagyová prokázala zájem o téma navštěvováním přednášek předmětu na oboru automatizace. Studentka pracovala samostatně. Z práce je zřejmé, že si studentka pečlivě nastudovala a osvojila si téma neuronových sítí ve zpracování obrazu V práci je mírný nepoměr praktické a teoretické části. Po úvaze a prvotním testování si studentka zvolila jako aplikační cíl práce rozpoznávání alfanumerických tiskacích znaků a naprogramovala v jazyku C neuronovou sít typu backpropagation. Tímto bylo splněno základní zadání práce. Výsledná aplikace po naučení sítě detekuje s vysokou úspěšností k 98% správný alfanumerických znak. K lepšímu hodnocení práci chyby zejména testování správné identifikace v závislosti na větším počtu různých šumů a následně pak praktičtější aplikace. Například typu identifikace znaku v obraze z kamery a rozpoznání poznávací značky auta. Na práci je místy zřejmé, že přestože studentka pracovala průběžně, tak finalizace práce probíhala v časové tísni a nebylo možné některé věci dotáhnout a pohlídat. Velmi kladně hodnotím podrobný popis práce a analýzy trénování neuronové sítě.
Cílem diplomové práce je využití neuronových sítí ve zpracování obrazu, zejména pro porozumění obrazu, identifikaci objektu, hledání hran a segmentaci. Studentka se při vypracování zaměřila pouze na identifikaci objektu v obraze pomocí vícevrstvé perceptronové sítě s algoritmem backpropagation. První čtyři kapitoly jsou zaměřeny na teorii zpracování obrazu a neuronových sítí. Je zde dostatečně a srozumitelně vysvětlena topologie použité neuronové sítě a trénovacího algoritmu. Možná až zbytečně mnoho prostoru věnuje studentka historii a vývoji jednotlivých algoritmů. V následujících 2 kapitolách je popsáno samotné řešení úlohy a zhodnocení výsledků. Studentka si zvolila algoritmus backpropagation a vícevrstvou neuronovou síť, což pro danou úlohu zřejmě nebylo nejlepší řešení. K natrénování na 64 vzorů potřebuje síť desítky tisíc iterací a několik hodin času. Volba vhodnějšího typu sítě by umožnila použití menšího počtu neuronů a zároveň rychlejší učení. To by umožnilo naučení na složitější vzory (například různé řezy písma) a využití sítě v praxi, které si autorka klade za cíl. K demonstraci funkčnosti sítě byl bohužel zvolen velmi jednoduchý příklad, přestože v úvodu práce je kladen důraz na možnost následného použití vytvořené aplikace v praxi. Mnohem zajímavější by byla demonstrace sítě na úloze typu CAPTCHA nebo detekci pohybujících se objektů. Podle názvu zadání lze očekávat, že výstupem bude více funkcí pro zpracování obrazu neuronovými sítěmi, studentka se ale zaměřila na příliš jednoduchou úlohu, která bývá řešena v rámcimenších semestrálních projektů.Proto považuji zadání pouze za částečně splněné. Diplomová práce je napsána příjemně a srozumitelně, typy sítí, které v práci nebyly použity, jsou popsány stručně a přehledně. Samotná realizace ale byla zřejmě prováděna v časovém presu, což znemožnilo demonstraci na vhodnějším příkladu. Typ sítě backpropagation bývá v literatuře a skriptech zmiňován především pro jeho jednoduchost. Studentka si jej vybrala zřejmě i proto, že upřednostnila česky psanou literaturu, kde je nejčastěji uváděn právě tento typ sítě. Po formální stránce je práce v pořádku, působí přehledně. Pouze v kapitole 7.1.1 mohl být pseudokód psaný po více řádcích.
eVSKP id 73239