Diplomant David Pešek zpracoval práci na téma Jednotřídní vizuální klasifikace. Jedná se o úlohu z podstaty velmi složitou a náročnou na odborné znalosti metod, které se běžně v rámci bakalářského ani magisterského studia neučí. Diplomant zpracoval velmi dobře rešerši metod, do níž zahrnul často používané rekonstruktory (např. známé autoenkodéry) nebo naopak tzv. reprezentační metody. Student pro implementační část vybral metodu PatchCore z druhé kategorie, a to na vlastní, rovněž velmi komplexní úlohu, detekce nemocí na kůži chameleónů. Přestože jsem studenta jako vedoucí práce upozorňoval na složitost úloh jednotřídní vizuální klasifikace, která je vybranou úlohou dále umocněna variabilitou vzorků (chameleónů), student přesto téma zpracoval a s dobrými výsledky.
Postup prací si diplomant volil vesměs sám po pravidelných konzultacích, byť zde mohu vytknout občasný výpadek v plynulosti práce, který však student následně dohnal. Podobně bych vytknul občasné formální nedostatky a typografické chyby v práci, které jsou ale vzhledem k rozsahu a kvalitě práce obhajitelné. Naopak vyzdvihuji aktivitu diplomanta, který si do zvolené aplikace vyhledal a přizval konzultace dalších specialistů na nemoci chameleónů a jejich vizuální projevy, zejména doc. Banďouchovou z Veterinární univerzity Brno, stejně jako si samostatně vyjednal možnosti pořízení datasetu v Zooparku Zájezd, což bylo hlavní úzké hrdlo zvolené aplikace. I tento komplexní přístup studenta k nesnadnému tématu svědčí o dobrých inženýrských schopnostech a bez dalších výhrad doporučuji práci k obhajobě před komisí. Points proposed by supervisor: 82

Prezentační a formální úroveň práce jsou na velice dobré úrovni a její rozsah je značný (přes devadesát stránek). V práci se vyskytují překlepy, které však nesnižují přehlednost textu. (Drobné nepřesnosti jako vzorec 1.3.) Některé z použitých mechanizmů/termínů mohly být detailněji popsány, jak konkrétně byly použity. Například mohl být lépe popsán výpočet a použití anomálního skóre k hodnocení; co je výsledek evaluace na úrovni obrázku, výstřižku a pixelu; KDE křivka – jak byly v aplikaci konkrétně realizovány.
Práce se ve své podstatě týká několika oborů. Tomu odpovídá i její struktura, kdy jsou jednotlivé kategorie popsány, rozebrány a hodnoceny. Práce obsahuje kvalitní rozbor jak detekovaných vlastností, tak tvorby datasetu. Obdobně kvalitní je rozbor jednotlivých kroků řešení a možností, včetně srovnávání různých postupů. Z dostupných možností si vybral kombinaci YOLO, ResNet s PatchCore a pro ně navrhoval a otestoval řešení. Pro řešení vytvořil vlastní dataset. Jeho menší rozsah, zvláště u anomálií, je s přihlédnutím k vybranému tématu pochopitelný ale přece jen to omezuje kvalitu hodnocení dosažených výsledků. Zabýval se i možností dodatečných úprav snímků pro lepší zpracování ve zvoleném řetězci detekce anomálií.
Pro zvládnutí práce využil značné množství literatury, která je průběžně citována.  Úvodní teoretická část vychází z nastudovaných materiálů, řešení detekce lze považovat za vlastní práci diplomanta. Z přiložené práce vyplývá, že se diplomant v dané oblasti orientuje. Zvolenou koncepci a nástroje lze považovat za správné.
Dataset, skripty pro zpracování i výsledné obrázky jsou kromě práce prezentovány i na přiloženém mediu.
Předložená práce svědčí o magisterských schopnostech studenta. Topics for thesis defence:

1. Nebylo jednodušší detekce u krajů vypustit, když je kraj většinou pokrytý sousedním výstřižkem, než tyto hodnoty vážit? (kapitola 3)

Points proposed by reviewer: 86