Pan Bc. Tilgner se ve své diplomové práci zabýval detekcí chodců v obecné dopravní scéně pomocí metod strojového učení. Přístup studenta k řešení úlohy lze stručně charaketrizovat jako pečlivý, aktivní a zodpovědný. Diplomant pracoval průběžně, koncepčně a konzultoval pravidelně. Výsledky práce tomu odpovídají. Po dobře zpracované rešerši metod strojového učení s využitím konvolučních neuronových sítí a dostupných datasetů vybral a implementoval architektury Faster R-CNN a SSDLite. Velmi kladně hodnotím komplexní přístup k řešení např. vytvoření potřebného anotačního nástroje a doplňkové noční galerie chodců, ačkoliv tyto body nebyly součástí zadání. Diplomant provedl celou řadu časově náročných experimentů a opět kladně hodnotím jejich precizní vyhodnocení použitím několika vybraných kritérií, zejména parametru mAP (mean Average Precision). Pan Tilgner zcela zjevně prokázal inženýrské schopnosti a věcná i formální úroveň dodaného dokumentu to dokládají. Doporučuji s výborným hodnocením k obhajobě. Výsledný počet bodů navržený vedoucím: 92

Práce Bc. Martina Tilgnera se zabývá detekcí chodců v obraze kamery pomocí konvolučních neuronových sítí. Dokument je psaný v anglickém jazyce a z formálního hlediska splňuje všechny požadavky, které jsou na něj kladeny. Je napsán srozumitelně a obsahuje jen minimální množství gramatických chyb.
Z formálního hlediska mám drobnou připomínku k citovanosti teoretického rozboru – především kap. 1 je zcela bez citací ač jak informace, matematické vztahy, tak pravděpodobně i většina obrázků pochází z literární rešerše, kterou autor provedl.
Z odborného hlediska kladně hodnotím autorovu orientaci v oblasti konvolučních neuronových sítí, tak i vhodné návrhové volby: výběr nástrojů, návrh řešení, výběr testovacích dat a i vyhodnocení dosažených výsledků. Drobnou výtku mám k občasnému nekorektnímu vyjadřování např. str 18 – autor tvrdí, že výsledkem normalizace výstupního je pravděpodobnostní rozložení. Dále pak některé rozhodnutí jsou nedostatečně komentovány např. str. 72-73 – body v grafech  jsou proloženy buď lineární, nebo logaritmickou křivkou, ale není zdůvodněno, na základě čeho bylo o příslušném modelu rozhodnuto. Nicméně v kontextu práce jde jen o drobnosti.
Zadání bylo nepochybně splněno v plném rozsahu. V některých bodech dokonce předložená práce obsahuje části realizované nad rámec zadání. Konkrétně bod 2. zadání studentu přikazuje buď vytvořit vlastní dataset nebo převzít nějaký existující.  Autor v práci používá jak několik převzatých tak i jeden vlastní dataset.
Předložená práce svědčí o dobrých inženýrských schopnostech autora. Navrhuji hodnocení A/90. Otázky k obhajobě:

1. Grafy na Fig. 5.3-5.5 obsahují regresní závislosti. Některé jsou lineární a některé logaritmické. Na základě čeho jste rozhodoval, kterou použijete?
2. V Tab. 4.1 jsou zaznamenáte časy trvání trénovacího kroku. Jak si vysvětlujete, že „Faster RCNN 500“ se učil výrazně kratší dobu než „Faster RCNN 100“? Chápu-li to správně trénovací dataset pro „Faster RCNN 500“ obsahuje 5x více snímků než „Faster RCNN 100“.

Výsledný počet bodů navržený oponentem: 90