KŘENEK, J. Metody hlubokého učení pro zpracování obrazů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2017.
Diplomant Jakub Křenek se ve své práci zabýval studiem a implementací metod hlubokého učení s aplikacemi pro segmentaci a sledování objektů v obrazech. Zaměřil se především na konvoluční neuronové sítě, publikované architektury a implementační balíčky. Během řešení se musel vypořádat s řadou problémů, které nejsou z textu diplomové práci příliš patrné. Šlo především o problém se získáním dat, problémy s instalací a zprovozněním potřebných balíčků pro implementaci zvolených metod či problémy s přípravou dat pro trénování sítě z veřejně dostupných databází. Student pracoval během semestru velmi samostatně a aktivně vyhledával aktuální zdroje. Oceňuji především, že se poměrně dobře a rychle dokázal v problematice hlubokého učení zorientovat a zvolit si směr, který použije pro řešení zadaného úkolu, což je z textu patrné. Samotný text práce není zcela dokonalý, trpí několika, především formálními, nedostatky. Jde například o nedostatečné používání citací, nejednotné formátování použité literatury či nejednotné odkazy na obrázky. Práci tak hodnotím stupněm A/95 bodů.
Student se ve své práci zabývá metodami hlubokého učení pro zpracování obrazů. Během své práce student provedl podrobnou literární rešerši a teoretický rozbor dané problematiky. V praktické části se student zaměřil na implementaci existujících klasifikátorů v prostředí TensorFlow a jejich otestování na různých testovacích sestavách a různých, volně dostupných datasetech. Hlavní částí práce je volba, implementace a trénování detektoru projíždějících automobilů v reálném čase z videozáznamu dopravních kamer. Zde student otestoval a naučil řadu dostupných modelů s použitím volně dostupných databází a následně přetrénoval nejvhodnější model pro využití na vlastních datasetech, které sám anotoval. Po odborné stránce je práce na velmi dobré úrovni, a prokazuje, že se student orientuje v dané problematice. Z celkového obsahu práce je patrné velké množství odvedené práce. Práce je psána velmi čtivě a srozumitelně. Úroveň práce je snížena řadou formálních nedostatků, jako například překlepy, místy neodborným vyjadřováním, absencí odkazů v textu na řadu obrázků, chybějící zdroj u některých obrázků, které byly převzaty, sníženou kvalitou některých obrázků, některé odkazy na obrázky jsou nesprávné, chybějící popisy os a jednotek v grafech, nevhodné řazení použité literatury. V kapitolách vlastního řešení detektoru automobilů postrádám shrnující tabulku/obrázek použitých parametrů (učební krok, momentum, L2 regularizace, použití DropOut vrstev a jejich koeficient, počty a velikosti filtrů v jednotlivých vrstvách, velikost mini-batch, apod.) pro učení zvolené sítě YOLOv2 a její detailní finální architekturu. Také postrádám informace o finálně použité trénovací a validační databázi (velikost vstupních dat, počet vzorků (obrazů) v databázi před jejím rozšířením a po rozšíření, míra rozdělení databáze na trénovací a validační část, rozložení hustoty dopravy v jednotlivých použitých snímcích, použité předzpracování, apod.). Dále postrádám tabulku/graf shrnující a porovnávající objektivní výsledky jednotlivých použitých modelů, včetně údajů o počtech falešných detekcí. Student využíval velké množství zahraniční literatury a správně citoval. Zadání práce ve všech bodech považuji za splněné. Práci doporučuji k obhajobě a celkově hodnotím stupněm B (87 bodů).
eVSKP id 102390