Pan Kraiushkin vypracoval diplomovou práci na téma automatického generování metadat a popisu předmětů, konkrétně muzejní sbírky kraslic. Úloha je komplikovaná především u popisu vzorů a motivů. Zatímco technika zdobení je většinou globální vlastnost, motivy jsou lokální, mohou se i vzájemně prolínat, vyskytovat se v různých variantách, kombinacích i opakování. Problémem je také to, že neexistuje jednotná terminologie ani dělení, liší se podle techniky zdobení i regionu a vše je značně závislé na subjektivním pohledu anotátora včetně postupu popisu rozložení vzorů na ploše vejce. Přesto podle mého názoru předložená práce beze zbytku plní všechny body náročného zadání.
Diplomant úspěšně vytvořil dokonce několik rozsáhlých a unikátních datových souborů reálných snímků a výřezů kraslic. Na těchto specifických datasetech navrhl, naimplementoval, otestoval a řádně zhodnotil širokou škálu pokročilých metod počítačového vidění a hlubokého učení (od SIFT deskriptorů, přes dnes již klasické klasifikátory YOLO a Vision Transformery až po moderní multimodální modely SigLIP2 a vision-language architekturu PaliGemma2). Splněny byly rovněž body týkající se geometrického dělení kraslic na regiony a integrace do funkčního uživatelského rozhraní.
Student přistoupil k práci zodpovědně již při samotném výběru, kdy se na možná zadání dotazoval a domluvili jsme se již v průběhu prázdnin a na začátku semestru měl již první výsledky. Nasazení, samostatnost i vlastní iniciativa vydržely po celý průběh řešení. Pravidelně informoval o stavu práce i dalších plánech, flexibilně reagoval na výsledky i podněty a doporučení a dokázal samostatně překonávat komplexní problémy spojené s anotací dat a implementací a laděním jednotlivých architektur.
Technická zpráva má logickou a přehlednou strukturu. Rozsah práce činí včetně všech formálních náležitostí 94 stran textu. Grafická úprava a prezentace výsledků jsou na velmi dobré úrovni, stejně tak jazyková úroveň. Drobné stylistické nepřesnosti či ojedinělé překlepy nijak nesnižují celkový výborný dojem z technické zprávy.
Rešeršní část je zpracována stručně (10 stran), ale výstižně, se zaměřením pouze na v práci využívané metody. Student prokázal schopnost pracovat s nejaktuálnějšími zdroji a vědeckými publikacemi z oblasti umělé inteligence, o čemž svědčí nasazení modelů publikovaných v roce 2025 (SigLIP2 či rodina modelů PaliGemma). Citace jsou řádně provázány s textem a plně odpovídají normám.
Podle mě všech známých skutečností není dokument plagiátem. Podobnosti (systém Theses detekoval maximálně 1,2 %) jsou dány především formálními náležitostmi a obecným teoretickým úvodem.
Více než konkrétní výsledky úspěšnosti jednotlivých modelů, je pro mě hodnotný samotný realizační výstup práce - pracně sesbírané a roztřízené datasety, skripty implementující nasazení modelů, přípravy dat a vyhodnocení výsledků i užitečné grafické uživatelské rozhraní. A především nastínění možných i velmi odlišných přístupů, provedené experimenty, učiněné závěry a navržená doporučení, která budou bezprostředně využitelná v dalším výzkumu a vývoji v této oblasti. Jediná drobná kritika by se mohla týkat nedotažení detekčního modelu motivů, který by byl pro další práci velmi užitečný, ale ostatní výsledky toto silně převažují. Pan Kraiushkin podle mého názoru prokázal inženýrské schopnosti, proto práci doporučuji k obhajobám s hodnocením A (95 b). Points proposed by supervisor: 95

Diplomová práce pana Kraiushkina se zabývá aktuálním tématem spojeným s digitalizací muzejních sbírek, což je v současné době řešená problematika napříč muzejními obory. Práce si klade za cíl analyticky popsat snímky kraslic. Úloha je vzhledem k obecnosti a rozmanitosti takových sbírek nelehká, o to víc chválím přístup studenta a samotné výsledky.
Již v úvodu diplomant práci a její motivaci zasazuje do kulturního i technického kontextu, jsou popsány metody zdobení kraslic a používané motivy, což je výsledkem rešerše a čerpání z pramenů.
Obecná teorie, kde jsou popsány základní metody strojového učení má 10 stran a je tak akorát stručná, aby čtenáře neodradila před zbytkem práce, která patří mezi rozsáhlejší.
Velká část práce (alespoň významem) je věnována vytvoření a anotaci datasetu kraslic, který čítá přes 2000 vzorů. Tento dataset může sloužit i jako základ pro další navazující práce.
Ve zbytku je pak popsáno několik metod a přístupů. Oceňuji, že student použil a otestoval i relativně nové přístupy, jako je SigLip2 a Paligemma2 (2025), ale také osvědčené YOLO nebo SIFT. U takto rozsáhlého testování nechybí objektivní posouzení jednotlivých přístupů pomocí definovaných metrik. Ve finále je pak vytvořeno GUI, které demonstruje v přehledných záložkách jednotlivé metody klasifikace.
Jediné, co bych mohl práci vytknout a zároveň dávám jako otázku k diskusi, je neuvedení náročnosti na prostředky nebo výpočetní výkon jednotlivých testovaných metod.
Práce jako taková je napsána na velmi vysoké úrovni a to jak po stránce stylistické, tak zejména věcné. Student splnil všechny body zadání beze zbytku a nezbývá, než práci doporučit k obhajobě. Topics for thesis defence:

1. Popište nebo porovnejte výpočetní náročnost jednotlivých přístupů.

Points proposed by reviewer: 100