Řešitel nastudoval prameny z oblasti počítačového vidění a strojového učení a také z oblasti návrhu a vývoje mobilních aplikací.

Řešitel ani při dokončování práce a psaní technické zprávy příliš aktivně nevyhledával a nepřijímal rady vedoucího.

Práce je vhodně strukturovaná a jednotlivé kapitoly na sebe přirozeně navazují. Pochopitelnost pro čtenáře je však v některých technických pasážích snížena nepřehlednými rovnicemi s proměnnými, které nejsou v textu dostatečně popsány (např. rovnice pro GeomScore na str. 24), a velkým množstvím konstant bez bližšího vysvětlení jejich hodnot.

Dále student v celé práci používá u některých metrik absolutní hodnoty (typicky chyba lokalizace středu zornice či duhovky kolem 3 px) bez uvedení jejich vztahu k velikosti duhovky. Čtenář tak nemá možnost posoudit, zda se jedná o chybu významnou, či zanedbatelnou.

Rovněž v textu zůstávají některé nevysvětlené části (jak se používá anotovaná orientace zornice a duhovky? jak dobře model klasifikuje mrknutí a pravolevou orientaci? a jiné).

Realizační výstup práce lze rozdělit do dvou částí: 1) příprava datasetu a trénování vlastního modelu pro extrakci dat potřebných k měření pupilárního reflexu a 2) vývoj iOS aplikace pro záznam a vyhodnocení videodat. Zatímco výsledná aplikace je kvalitně zpracovaná, část zaměřená na počítačové vidění obsahuje několik nedostatků.

Za nejvýznamnější považuji způsob přípravy trénovacích dat. Nevidím jasný přínos trénování heatmap pro lokalizaci zornice a duhovky v situaci, kdy jsou oči ve všech vzorcích vystředěny. Jaké přesnosti by bylo dosaženo při použití jednoduchého odhadu středu oka jako středu snímku?

Chybí také srovnání se standardními metodami pro měření pupilárních metrik, přestože byly v práci zmíněny. I když jejich nasazení na mobilním zařízení nemusí být prakticky realizovatelné, kvalitativní porovnání s navrženým řešením by bylo přínosné.

Výhradu mám také k metodice vyhodnocování. Student zvolil váženou výslednou metriku, přičemž jednotlivé varianty byly vyhodnocovány na různých bězích trénování. Standardní postup je: 1) zvolit si vhodnou fixní metriku, 2) najít vhodné parametry trénování a vhodné váhy pro jednotlivé části loss funkce. Student však zafixoval trénovací část a následně upravoval váhy výsledného skóre.

Za plus naopak považuji vytvořenou datovou sadu.

Evaluation level: assignment fulfilled

Drobná výhrada se vztahuje k prezentačním materiálům vyžadovaným v bodu 9 zadání (plakát a video), které jsem v odevzdaných souborech nenašla. Tuto skutečnost však považuji za velmi marginální nedostatek.

Student pracuje s relevantními zdroji z oblasti medicíny i počítačového vidění. Při řešení se vydal vlastní cestou a převzaté prvky řádně cituje. Drobné výhrady mám k některým formálním nedostatkům v citacích. Jako příklad zde uvádím poznámky pod čarou 2 a 5, které místo standardní vědecké citace odkazují na arXiv.