Diplomová práce se zabývá problematikou segmentace hyperspektrálních obrazů a optimalizací vstupních dat prostřednictvím metod redukce dimenzionality. Jedná se o aktuální a odborně náročné téma na pomezí zpracování obrazu, strojového učení a analýzy hyperspektrálních dat. Student splnil všechny cíle stanovené v zadání práce. Zpracoval rozsáhlou rešerši metod redukce dimenzionality, segmentace obrazu a hodnocení kvality segmentace, na jejímž základě navrhl vlastní postup řešení zahrnující jak metody typu feature selection, tak feature extraction.

Oceňuji zejména rozsah praktické části práce. Autor navrhl a implementoval kompletní zpracovatelský řetězec zahrnující předzpracování hyperspektrálních dat, redukci dimenzionality, segmentaci pomocí architektury U-Net a následný post-processing. Kladně hodnotím systematické experimentální ověření několika přístupů a jejich vzájemné porovnání z hlediska kvality segmentace i výpočetní náročnosti.

Za významný přínos práce považuji zejména praktické vyhodnocení různých metod redukce dimenzionality pro konkrétní úlohu segmentace hyperspektrálních snímků a návrh vlastního post-processingového postupu. Student prokázal schopnost samostatně analyzovat dosažené výsledky, identifikovat příčiny chyb segmentace a kriticky diskutovat omezení použitých metod i kvality vstupních dat. Diskuse i závěr práce působí věcně a odpovídají dosaženým výsledkům bez nepřiměřených tvrzení. Přínosné je také formulování doporučení pro další rozvoj řešení a identifikace faktorů ovlivňujících kvalitu segmentace.

Práce je logicky členěna a jednotlivé kapitoly na sebe vhodně navazují. Text je zpracován přehledně a s odpovídající odbornou terminologií. V práci se vyskytují drobné jazykové a stylistické nedostatky, které však nesnižují její odbornou úroveň. Použitá literatura je rozsáhlá, aktuální a vhodně reflektuje současný stav poznání v řešené oblasti. Celkově student prokázal schopnost samostatně řešit komplexní technický problém, navrhnout a implementovat odpovídající metody a kriticky vyhodnotit dosažené výsledky.

Vzhledem k výše uvedenému doporučuji práci k obhajobě a hodnotím ji známkou A.

Předložená diplomová práce se zabývá segmentací různých druhů ještěrek od pozadí na hyperspektrálních snímcích. Práce částečně navazuje na předchozí řešení dané problematiky a dále jej rozvíjí, zdokonaluje a doplňuje o nové přístupy k výběru a zpracování dat.

Práce je rozdělena do deseti kapitol, které na sebe logicky navazují a poskytují čtenáři ucelený přehled o řešené problematice. Jedinou drobnou výtku mám k části věnované konvolučním neuronovým sítím. Přestože jsou jednotlivé stavební prvky a principy jejich fungování popsány podrobně a správně, chybí podrobnější vysvětlení jejich vzájemné návaznosti a spolupráce v rámci celé architektury. Pro čtenáře, který se s problematikou konvolučních neuronových sítí dosud nesetkal, může být tato část místy hůře srozumitelná.

Z hlediska jazykové stránky práci vzhledem ke své omezené znalosti spisovné slovenštiny nedokážu komplexně posoudit. V textu se však vyskytuje pouze malé množství překlepů a drobných nepřesností. Za zmínku stojí snad jen nesprávný popis obrázku 13 týkající se počtu propojených komponent při 4 a 8 souvislosti. Tyto nedostatky však nijak významně nesnižují celkovou kvalitu práce.

Práce je celkově zpracována na velmi dobré úrovni. Autor vhodně volí jednotlivé metody, jejich použití dostatečně zdůvodňuje a výsledky přehledně prezentuje. Oceňuji také kritický přístup k výsledkům a metodice předchozí práce, včetně snahy identifikovat její možné nedostatky a navrhnout jejich řešení. Z textu je patrné, že se autor problematice věnoval do hloubky a prokázal velmi dobrou orientaci v dané oblasti. Z hlediska zvolených metod, experimentálního postupu i dosažených výsledků nemám k práci žádné zásadní připomínky.

Práci doporučuji k obhajobě. Topics for thesis defence:

1. V práci jste vytvořil podvzorkovaný dataset obsahující stejný počet pixelů popředí a pozadí. Jaké výhody a nevýhody má tento přístup a mohl by ovlivnit výsledky algoritmů pro redukci dimenzionality?
2. Proč jste pro algoritmus SFFS zvolil jako klasifikátor právě LightGBM? Mohlo by použití jiného klasifikátoru vést k výběru odlišných spektrálních pásem?
3. Jaké jsou hlavní výhody a nevýhody použití architektury U-Net pro segmentaci hyperspektrálních snímků oproti metodám, které explicitně využívají spektrální informace pomocí 3D konvolucí?