Nalazite se na CroRIS probnoj okolini. Ovdje evidentirani podaci neće biti pohranjeni u Informacijskom sustavu znanosti RH. Ako je ovo greška, CroRIS produkcijskoj okolini moguće je pristupi putem poveznice www.croris.hr
izvor podataka: crosbi !

Združeno prognoziranje značajki i njihova pomaka za predviđanje semantičke budućnosti u videu (CROSBI ID 455416)

Ocjenski rad | doktorska disertacija

Josip Šarić Združeno prognoziranje značajki i njihova pomaka za predviđanje semantičke budućnosti u videu / Siniša Šegvić (mentor); Zagreb, . 2022

Podaci o odgovornosti

Josip Šarić

Siniša Šegvić

hrvatski

Združeno prognoziranje značajki i njihova pomaka za predviđanje semantičke budućnosti u videu

Gusto semantičko prognoziranje anticipira događaje u videu predviđanjem semantike na razini piksela u budućem neopaženom slikovnom okviru. Ova disertacija posebnu pažnju posvećuje metodama gustog prognoziranja na razini apstraktnih značajki dubokog modela. Predložena prognostička metoda može se primijeniti na različite oblike gustog raspoznavanja u jednoj slici. Metoda prognozira značajke uz pomoć dva komplementarna modula. Modul F2M (eng. features-to-motion}; prognozira gusto polje pomaka koji pomiču značajke iz prošlosti prema njihovim budućim položajima. Modul F2F (eng. features-to-features) izravno regresira buduće značajke i zbog toga ima mogućnost zamišljanja novootkrivenih dijelova scene. Združeni model F2MF kombinira prognoze dvaju modula u skladu s predviđenim poljem težina. Posljedično, model ima mogućnost prepoznavanja novootkrivenih dijelova scene jer u njima težine preferiraju izravno prognoziranje modulom F2F. Prognoziranje defomiranjem dominantno je u dijelovima scene gdje se lako može uspostaviti korespondencija. Predložena metoda je učinkovita jer prognozira najsažetiju i najapstraktniju moguću reprezentaciju modela za gusto raspoznavanje. Prognostičku točnost modela poboljšavaju izvedbeni detalji kao što su deformabilne konvolucije i reprezentacija obogaćena prostorno-vremenskim korelacijskim koeficijentima. Eksperimentalno vrednovanje razmatra prognoziranje semantičke segmentacije, segmentacije instanci i panoptičke segmentacije. Rezultati su pokazali da predložena metoda ostvaruje kompetitivnu točnost na podatkovnom skupu Cityscapes.

računalni vid, duboko učenje, gusto semantičko prognoziranje, predvid̄anje budućnosti

nije evidentirano

engleski

Joint Forecasting of Features and Feature Motion for Semantic Future Prediction in Video

nije evidentirano

computer vision, deep learning, dense semantic forecasting, future prediction

nije evidentirano

Podaci o izdanju

86

14.07.2022.

obranjeno

Podaci o ustanovi koja je dodijelila akademski stupanj

Zagreb

Povezanost rada

Računarstvo

Poveznice