Search

Predviđanje budućnosti bitan je aspekt umjetne inteligencije. Razmatramo semantičko prognoziranje značajki (F2F), bazirano na modelu za semantičku segmentaciju bez lateralnih veza u naduzorkovanju, što omogućuje F2F modelu da radi samo na značajkama najmanje rezolucije. Nadalje, uspoređujemo nekoliko konvolucijskih arhitektura za F2F prognoziranje. Eksperimenti pokazuju da deformabilne konvolucije postižu bolje rezultate od običnih i dilatiranih konvolucija. Predicting the future is an important aspect of artificial intelligence. We explore feature-to-feature (F2F) semantic forecasting, based on a semantic segmentation model without lateral connections in the upsampling path, which allows the F2F model to work with features of lowest resolution. Furthermore, we compare several convolutional architecture for F2F forecasting. Experiments show that deformable convolutions achieve better results than regular and dilated convolutions.