Přístupnostní navigace
E-application
Search Search Close
Bachelor's Thesis
Author of thesis: Bc. Jan Velich
Acad. year: 2025/2026
Supervisor: Ing. Štěpán Rydlo
Reviewer: Ing. Tomáš Goldmann, Ph.D.
This thesis focuses on problematic of low contrast of finger vein images and methods for its enhancement. Thesis introduces four methods for contrast enhancement. First method uses CLAHE, second implements convolutional neural network, third and fourth approach combines Gabor filter and Multiscale Retinex with deep learning. From testing results is clear that the best performing method is plain convolutional neural network, then CLAHE, Multiscale Retinex with convolutional network and last is Gabor filter with convolutional network.
biometrics, finger vein, contrast enhancment, machine learning, deep learning, convolutional neural network
Date of defence
15.06.2026
Result of the defence
Defended (thesis was successfully defended)
Grading
D
Process of defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm D.
Topics for thesis defence
Language of thesis
Czech
Faculty
Fakulta informačních technologií
Department
Department of Intelligent Systems
Study programme
Information Technology (BIT)
Composition of Committee
prof. Ing. Adam Herout, Ph.D. (předseda) doc. Mgr. Adam Rogalewicz, Ph.D. (místopředseda) Ing. Vladimír Bartík, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) Ing. Josef Strnadel, Ph.D. (člen)
Supervisor’s reportIng. Štěpán Rydlo
Student splnil zadání práce. Avšak komunikace po celou dobu řešení práce nebyla dostačující, což vede i k horším výsledkům. Proto hodnotím práci D (uspokojivě),
Student vypracoval práci dle stanoveného zadání. Dosažené výsledky ukazují mírné zlepšení kontrastu mezi žilami a tkání. Samotné zlepšení však není tak výrazné jako v již dříve publikovaných pracích na stejné téma.
Student aktivně dohledával další zdroje k dané problematice, nikoli pouze ty doporučené vedoucím práce.
Student byl po celou dobu vypracování práce velmi málo aktivní a v průběhu psaní příliš nekomunikoval. V případě konzultace byl však vždy řádně připraven.
Student dokončoval práci na poslední chvíli, jako vedoucí jsem tak neměl možnost vidět celé dílo před odevzdáním. Jednotlivé části, s výjimkou výsledků a závěru, však byly k dispozici a mohl jsem je připomínkovat.
Nejsem obeznámen s žádnou publikační činností, či oceněním dané práce.
Grade proposed by supervisor: D
Reviewer’s reportIng. Tomáš Goldmann, Ph.D.
Bakalářská práce splňuje všechny body zadání. Silnými stránkami jsou modulární pipeline, kvalitně navržená syntetická degradace dat, testování na čtyřech datových sadách a korektně fungující modely SimpleCNN a MsrCNN se smysluplnou sadou metrik.
Hlavní slabinou je nedotažený model GaborCNN, jehož řešení bylo dostupné v citované literatuře. K tomu se přidávají dílčí nedostatky v hloubce zpracování, konkrétně povrchnější rozbor návrhu, zavádějící argumentace omezeným hardwarem a chybějící diskuse alternativních přístupů. Tři ze čtyř metod jsou plně relevantní, čtvrtá relevantní konceptuálně, ale implementačně nedotažená.
Zadání bylo splněno v plném rozsahu a pipeline i dvě metody jsou funkční. S ohledem na uvedené nedostatky v hloubce a důslednosti zpracování navrhuji hodnocení stupněm uspokojivě (D) při horní hranici tohoto stupně.
Evaluation level: moderately difficult assignment
Téma se zabývá zvyšováním kontrastu snímků krevního řečiště prstu jako předzpracovacím krokem biometrického systému. Jde o korektně vymezené zadání odpovídající bakalářské úrovni: kombinuje rešerši, návrh několika metod, jejich implementaci v Pythonu/PyTorch a experimentální porovnání. Zadání není triviální (práce s NIR daty, syntetická degradace, trénování CNN), ale ani mimořádně náročné. Náročnost zadání hodnotím jako průměrnou.
Práce má logickou strukturu od teorie přes návrh a implementaci až po vyhodnocení a je čtivá. Teoretická část je solidní a poměr teoretické a praktické části je vyvážený.
K prezentační úrovni mám však několik výhrad. Popis hybridních modelů zůstává povrchní a postrádám hlubší rozbor jejich návrhu. Uvítal bych také diskusi dalších možných přístupů, například generativních modelů. Klíčová rešeršní zjištění navíc nebyla promítnuta do návrhu, viz Realizační výstup.
Práce je vysázena v systému LaTeX. Tabulky i matematické vztahy jsou prezentovány přehledně a konzistentně. Jazyková a stylistická stránka je na dobré úrovni.
Vyskytuje se několik drobných nedostatků: zjevný překlep v názvu podsekce 5.3 („Metody pro vylepšení snímků snímků"), ojedinělé překlepy v abstraktu (např. „kobinují", „enhancment", „konvolutional") a místy nejednotná interpunkce. Tyto nedostatky jsou kosmetické a neovlivňují srozumitelnost.
Realizačním výstupem je sada Python skriptů tvořících testovací pipeline (načítání dat, syntetická degradace, čtyři metody vylepšení, trénování sítí a vyhodnocení šesti metrikami). Architektura je modulární a dobře strukturovaná; oceňuji návrh syntetické degradace (gamma korekce, komprese rozsahu, AWGN) i využití lazy loadingu. Architektura aplikace je však v textu pouze znázorněna diagramem (obrázek 4.1) a postrádá podrobnější popis.
Kvalita výstupu je nevyrovnaná. Modely SimpleCNN a MsrCNN fungují korektně, naopak GaborCNN je nefunkční a obraz spíše degraduje. Řešení tohoto selhání přitom bylo dostupné v autorem citované práci Zhang et al. (2019) – stačilo povolit trénovatelnost parametrů Gaborova filtru. Autor problém správně diagnostikuje, ale neověří ani nejjednodušší opravu.
Za slabinu považuji i opakované zdůvodňování návrhových rozhodnutí omezeným hardwarem (GTX 1050 Ti, 4 GB VRAM). Vzhledem k dostupnosti výkonnějších výpočetních prostředků pro studenty VUT je tento argument zavádějící.
Postrádám rovněž alespoň diskusi dalších možných přístupů. Generativní modely (např. podmíněný GAN typu Pix2Pix) jsou pro image-to-image enhancement s párovými daty obvyklou volbou a slibují lepší zachování hran cév než čistá regresní CNN; jelikož si autor páry degradovaný/referenční snímek sám vytváří, nabízely se přirozeně. Bod 4 zadání navíc žádá návrh případných vylepšení, kam taková diskuse patří.
Zdrojové kódy neobsahují hlavičky a ačkoliv student v technické zprávě uvádí použití AI, nejde rozlišit, co je jeho autorským kódem, kde použil AI k review a co bylo čistě vygenerované.
Využitelnost výsledků je omezená. Práce přináší funkční pipeline a užitečné srovnání metod, výstupy však slouží spíše jako základ pro další vývoj než jako prakticky nasaditelné řešení; chybí zejména navázání na identifikační krok, který by potvrdil přínos pro reálný systém.
Evaluation level: assignment fulfilled
Všechny čtyři body zadání byly formálně splněny.
Evaluation level: is within the usual extent
Technická zpráva má přibližně 60 normostran vlastního textu, což odpovídá obvyklému rozmezí pro bakalářskou práci na FIT. Rozsah je tedy přiměřený. Upozorňuji však, že část rozsahu je věnována nadbytečně podrobnému výkladu zavedených a obecně známých metod. Tento prostor měl být využit k hlubší analýze vlastního přínosu a diskusi výsledků.
Seznam literatury obsahuje 43 zdrojů kombinujících monografie i recentní konferenční a časopisecké články; výběr je pro téma relevantní a citace v textu jsou používány korektně. Pozitivně hodnotím transparentní přiznání použití nástroje GitHub Copilot v prohlášení autora, což je v souladu s citační etikou.
Zásadní výhradu však mám k tomu, jak je literatura promítnuta do řešení. Autor sice relevantní práce cituje, ale nevyužívá jejich klíčových poznatků (viz bod 7).
Grade proposed by reviewer: D
Responsibility: Mgr. et Mgr. Hana Odstrčilová