Diplomová práce se zabývá návrhem a implementací systému detekce jízdních pruhů založeného na metodách hlubokého učení se zaměřením na kvantifikaci nejistoty modelu. Součástí práce je vytvoření virtuálního testovacího prostředí, návrh algoritmů, jejich implementace a ověření v uzavřené simulační smyčce.

Student pracoval po celou dobu řešení práce velmi samostatně a aktivně vyhledával odborné zdroje z oblasti autonomního řízení, počítačového vidění a hlubokého učení. Pravidelně konzultoval dosažené výsledky a dokázal samostatně navrhovat vhodná technická řešení vznikajících problémů. Lze ocenit zejména rozsah realizovaných aktivit zahrnujících tvorbu virtuálního světa, implementaci neuronové sítě i návrh metodiky testování. Student prokázal schopnost propojit poznatky z několika technických oblastí do funkčního celku.

Rešeršní část poskytuje velmi rozsáhlý přehled problematiky detekce jízdních pruhů, kvantifikace nejistoty a autonomního řízení. Pozitivně hodnotím využití moderních odborných zdrojů a logickou návaznost jednotlivých kapitol na navržené řešení. Místy však převažuje popisný charakter nad hlubší kritickou analýzou jednotlivých přístupů.

Student využil architekturu ERFNet rozšířenou o Monte Carlo Dropout, implementoval Fourierovu doménovou adaptaci a využil metodiku vyhodnocení nejistoty v simulačním prostředí. Vlastní přínos spatřuji zejména v integraci jednotlivých metod do jednotného validačního řetězce a v rozsáhlém experimentálním ověření navrženého řešení.

Všechny cíle definované v zadání byly splněny. Byla provedena rešerše problematiky, vytvořen virtuální svět, navržen a implementován algoritmus detekce jízdních pruhů, realizován odhad nejistoty a ověřena funkčnost systému v simulačním prostředí. Rozsah realizovaných prací odpovídá požadavkům kladeným na diplomovou práci. Určitou výhradu lze směřovat k použití datasetu TuSimple, který je tvořen převážně dálničními scénáři. Přestože byly do validačních testů zařazeny i složitější geometrie vozovky, práce podrobněji nediskutuje vliv tohoto rozdílu mezi trénovací a validační doménou. Dále v práci chybí informace o použitém výpočetním hardwaru a časové či výpočetní náročnosti trénování modelu, což částečně omezuje reprodukovatelnost experimentů.

Práce je graficky zpracována na velmi dobré úrovni. Text je přehledný a logicky strukturovaný. Vyskytují se pouze drobné stylistické nedostatky, což však nesnižuje srozumitelnost práce.

Student během řešení práce prokázal schopnost samostatně řešit komplexní inženýrský problém z oblasti autonomního řízení a metod hlubokého učení. Oceňuji zejména rozsah praktické části, systematický přístup k experimentům a schopnost kriticky interpretovat dosažené výsledky. Použití generativní AI je v práci transparentně popsáno a dle uvedeného rozsahu sloužilo pouze jako podpůrný nástroj při rešerši, programování a jazykových úpravách, nikoliv jako náhrada vlastní odborné práce studenta. Přes uvedené dílčí připomínky považuji práci za kvalitně zpracovanou a odborně přínosnou. Diplomovou práci doporučuji k obhajobě

Diplomová práce se zabývá problematikou detekce jízdních pruhů pomocí metod hlubokého učení ve virtuálním prostředí se zaměřením na oblast autonomního řízení a systémů ADAS. Autor v práci zpracoval rozsáhlou rešerši současného stavu poznání v oblasti počítačového vidění, segmentace obrazu, senzoriky a problematiky spolehlivosti neuronových sítí. Stanovené cíle práce byly splněny v odpovídajícím rozsahu. Práce systematicky pokrývá zadanou problematiku a prokazuje dobrou orientaci autora v dané oblasti.
Použité metody a postupy odpovídají současnému stavu poznání v oblasti deep learningu a autonomního řízení. Autor vhodně kombinuje teoretickou rešerši s praktickou implementací metod detekce jízdních pruhů a správně volí přístupy odpovídající řešenému problému. Pozitivně hodnotím zejména detailní rozbor tradičních metod počítačového vidění i moderních architektur neuronových sítí, včetně problematiky uncertainty estimation. Rozsah práce odpovídá požadavkům kladeným na diplomovou práci.
Práce vykazuje vlastní přínos zejména v oblasti aplikace a evaluace metod detekce jízdních pruhů ve virtuálním prostředí a ve zdůraznění problematiky nadměrné jistoty neuronových sítí v safety-critical aplikacích. Přestože práce vychází z existujících metod a publikovaných přístupů, autor prokazuje schopnost jejich samostatného zpracování, interpretace a vhodného propojení s praktickou částí práce.
Dosažené výsledky jsou interpretovány správně a v širším kontextu autonomního řízení. Autor prokazuje schopnost analyzovat limity použitých metod, vliv meteorologických podmínek, kvality senzorických dat i problém tzv. reality gap mezi simulací a reálným prostředím. Vyvozené závěry odpovídají prezentovaným výsledkům a mají logickou návaznost na cíle práce.
Výsledky práce mají potenciální využití v oblasti systémů ADAS a autonomního řízení, zejména při návrhu robustnějších metod detekce jízdních pruhů a při implementaci mechanismů pro kvantifikaci nejistoty neuronových sítí. Práce přispívá k rozšíření současných poznatků v této oblasti a může sloužit jako vhodný základ pro další výzkum či navazující experimentální práce.
Po formální stránce je práce logicky strukturována, jednotlivé kapitoly na sebe vhodně navazují a text působí konzistentním odborným dojmem. Formální nedostatky jsou pouze drobného charakteru a nijak zásadně nesnižují kvalitu práce.
Grafická úroveň práce je velmi dobrá. Obrázky, schémata a tabulky vhodně doplňují text a přispívají k lepší orientaci v problematice. Stylistická úroveň odpovídá odbornému technickému textu a pravopisné chyby se vyskytují pouze ojediněle.
Autor pracoval s relevantní odbornou literaturou, včetně zahraničních zdrojů a aktuálních vědeckých článků zaměřených na autonomní řízení, počítačové vidění a hluboké učení. Citace jsou převážně správně uvedeny a odpovídají charakteru technické diplomové práce. Oceňuji využití moderních odborných zdrojů i skutečnost, že případné využití AI nástrojů nepůsobí nekriticky a nenahrazuje vlastní odbornou práci autora.
Celkově hodnotím diplomovou práci jako kvalitně zpracovanou práci s velmi dobrou odbornou úrovní, která splňuje požadavky kladené na diplomovou práci technického zaměření. Cíle diplomové práce byly bezezbytku splněny. Topics for thesis defence:

1. Jaké jsou hlavní limity použití virtuálních datasetů při přenosu modelů do reálného provozu?
2. Jakým způsobem lze prakticky implementovat odhad epistemické nejistoty v reálném čase?
3. Jaké výhody a nevýhody mají architektury typu U-Net a DeepLabV3+ pro detekci jízdních pruhů?
4. Jaký vliv má kvalita anotací datasetů na výslednou robustnost modelu?