Zadání vzešlo z iniciativy řešitele a bylo hodně ambiciózní. Rekonstrukce vegetace je značně obtížný úkol a cílem práce bylo prozkoumávat dostupné možnosti a formulovat doporučení pro případný budoucí produkční systém, který by rekonstrukci vegetace kolem silnice maximálně automatizoval (byť plná automatizace patrně není v současnosti možná).

N/A

Řešitel pracoval poměrně aktivně po oba semestry řešení. Během řešení se musel postupně seznamovat s možnostmi a omezeními různých nástrojů a technik počítačového vidění. Na konzultace docházel pravidelně a celkově odvedl množství práce.

Evaluation level: assignment fulfilled

Navržené řešení kombinuje model YOLO pro detekci dvou typů vegetace s odhadem hloubkové mapy z monokulárního snímku, přičemž syntézou těchto výstupů generuje odhady 3D poloh objektů a jejich typu. Autor tedy k řešení zvolil přímočarý a základní postup, což lze hodnotit s ohledem na obtížnost úlohy jako rozumné rozhodnutí. V žádném konkrétním aspektu úlohy ale nejde do hloubky, dílčí problémy jsou řešeny spíše triviálně, a tak zajímavé výzvy nejsou využity.

Přínosem a praktickým výstupem práce je implementace přídavného modulu do programu Blender, který slouží k názorné vizualizaci výsledků  a jejich dalšímu využití při modelování.

Způsob prezentace informací v textové části bohužel vykazuje závažné nedostatky a v mnoha ohledech je spíše podprůměrná. Nabyté znalosti i samotný návrh řešení jsou podány velmi povrchně, často nepřesně, vágně a nezřídka až chybně. Text nešťastně kombinuje obecný metodický popis s konkrétními zdrojovými kódy a implementačními detaily, přičemž autor často staví popisy náročných algoritmických postupů vedle úplných banalit. Celková prezentace informací tak neprokazuje hlubší porozumění řešené problematice.

Zásadní výhrady mám k samotnému návrhu, kde je výběr metod a postupů víceméně nezdůvodněn. V práci chybí jakákoliv hlubší diskuse nad klíčovými architektonickými rozhodnutími – například proč bylo zvoleno SfM (Structure from Motion) a nikoliv SLAM, nebo proč autor zpracovává video pouze při frekvenci 6 FPS namísto využití vyšší frekvence ke zlepšení výsledků. Z metodického hlediska je rovněž nepochopitelné, proč jsou opakované detekce objektů jednoduše zahazovány namísto jejich statistické agregace v čase.

Odbornou úroveň práce dále snižuje řada formálních a faktických prohřešků. V textu se objevují nevysvětlené názvy (např. u popisu trénování), autor zmiňuje a využívá metody bez uvedení patřičných referencí (např. korekce vad optické soustavy) a v rovnicích se vyskytují chyby, jako např. ztracená proměnná lambda v definici modelu dírkové kamery. Tyto nedostatky výrazně oslabují metodickou hodnotu celé práce.

Výběr studijních pramenů je relevantní a vhodně pokrývá potřebná témata řešené problematiky. Autor se však v práci vůbec neopírá o doporučenou literaturu ze zadání, což v textu nijak nevysvětluje, přičemž její využití ke studiu by mohlo přinést hlubší porozumění zkoumané problematice. Z formálního hlediska by bylo vhodnější méně metodické zdroje, jako jsou manuály, softwarová dokumentace, blogové příspěvky, konkrétní produkty či hardwarová zařízení, uvádět spíše v poznámkách pod čarou než přímo v hlavním seznamu literatury.

Vzhledem k výše uvedenému má předložené dílo kompilativní charakter. Výsledná základní rekonstrukce vegetace a trajektorie pohybu kamery je v praxi pravděpodobně využitelná v podobě tzv. „scaffoldingu“ při manuální tvorbě 3D modelu závodní tratě.