Práce se zabývá registrací mikroskopických (SEM) obrazů a porovnáním klasických metod registrace s moderními přístupy založenými na hlubokém učení. Součástí práce je také návrh a implementace vlastní konvoluční neuronové sítě (CNN) pro odhad parametrů transformace obrazu - rotace, translace, změně měřítka. Téma práce je aktuální, odborně náročné a bylo řešeno ve spolupráci se společností Thermo Fisher Scientific, což ukazuje jeho praktický význam.

Student během řešení pracoval velmi samostatně, aktivně přistupoval k řešení jednotlivých problémů a pravidelně konzultoval postup práce i dosažené výsledky. Prokázal velmi dobrou orientaci v problematice registrace obrazu i schopnost samostatně pracovat s odbornou literaturou a implementovat jednotlivé metody. Oceňuji zejména rozsáhlou experimentální část práce, vytvoření vlastního benchmarkingu a systematické porovnání metod z hlediska přesnosti, robustnosti i výpočetní náročnosti. Přínosná je rovněž vlastní navržená CNN architektura, která představuje nadstandardní rozšíření práce nad rámec běžné implementace existujících metod.

Pozitivně hodnotím také účast studenta v soutěži SVOČ, kde byly výsledky práce prezentovány, což potvrzuje odbornou úroveň i přínos řešeného tématu.

Text práce je logicky strukturovaný, přehledný a po odborné stránce na velmi dobré úrovni. Vzhledem k obtížnosti problematiky jsou některé metody popsány spíše přehledově, nicméně v rozsahu odpovídajícím bakalářské práci. Drobné nedostatky lze nalézt především ve formální stránce citací. 

Práci doporučuji k obhajobě a navrhuji hodnocení A.

Bakalářská práce Vojtěcha Hory s názvem Modern Methods of Microscopic Image Registration se zabývá problematikou registrace mikroskopických obrazů se zaměřením na porovnání klasických metod a moderních přístupů založených na neuronových sítích. Součástí práce je také návrh vlastní konvoluční neuronové sítě pro odhad parametrů geometrické transformace a její experimentální vyhodnocení. Téma práce je aktuální a svým zaměřením vhodně propojuje oblast počítačového vidění, zpracování obrazu a strojového učení.

Práce má logickou strukturu a je zpracována na velmi dobré odborné úrovni. Autor v ní prokázal velmi dobrou orientaci v oblasti registrace obrazu a souvisejících metod počítačového vidění. Velmi kladně hodnotím zejména rozsah experimentální části, systematické porovnání jednotlivých metod a kritickou diskusi dosažených výsledků. Přínosem práce je rovněž vlastní návrh registračního přístupu a jeho experimentální ověření v kontextu současných metod.

Po obsahové stránce nemám k práci žádné zásadní výhrady. Drobné nedostatky spatřuji především ve stylizaci textu. U některých obrázků chybí jejich explicitní reference v hlavním textu. Práce s literaturou je v celé práci konzistentní, nicméně vzhledem k množství popisovaných registračních metod bych uvítal častější odkazy na původní publikace přímo v místech, kde jsou jednotlivé metody představovány a diskutovány. Tyto připomínky však nijak nesnižují odbornou úroveň ani celkovou kvalitu předložené práce.

Práci doporučuji k obhajobě a hodnotím ji známkou A (výborně). Topics for thesis defence:

1. V kapitole 3.2.1 uvádíte, že aplikací inverzní DFT na cross-power spectrum vznikne Kroneckerovo delta. Můžete zapsat definici inverzní DFT a vysvětlit, proč v tomto případě vede právě ke vzniku delta funkce?
2. Jaké vlastnosti mikroskopických snímků nejvíce ovlivňují úspěšnost detekce a párování příznaků?
3. Jak byste zvýšil robustnost CNN vůči šumu a změnám osvětlení?