Motivated by this, we use semantics

Motivated by this, we use semantics as an intermediaterepresentation and train a neural autoregressive model thatgeneralizes (zero-shot) to datasets it has never been trainedon. Specifically, we train a model that predicts future trajectories of traffic participants over the KITTI [1] dataset, andtest it on different datasets [2], [3] and show that the networkperforms well across these datasets which differ in scenelayout, weather conditions, and also generalizes well acrosssensing modalities (models trained using a combination ofstereo and LiDAR data perform well even when either ofthose modalities are absent at test time). In addition totransferring well, we outperform the current best future prediction model [6] on the KITTI [1] dataset while predictingdeep into the future (3 − 4 sec) by a significant margin.Furthermore, we conduct a thorough ablation study of ourintermediate representations, to answer the question “Whatkind of semantic information is crucial to accurate futureprediction?". We then showcase one important application offuture prediction—multi-object tracking—and present resultson select sequences from the KITTI [1] and Cityscapes [2]datasets

結果 (繁體中文) 1:

這個啟發，我們使用語義為intermediaterepresentation和訓練神經自回歸模型是
概括（零次），以數據集從未被訓練
上。具體而言，我們培養了一個模型，在KITTI [1]的數據集預測交通參與者的未來的軌跡，並
測試其在不同的數據集[2]，[3]，並顯示該網絡
執行跨越以及這些數據集，其在場景不同
佈局，天氣狀況，並且還跨越井概括
傳感方式（使用的組合訓練的模型
立體聲和LiDAR數據表現良好，即使任一的
這些方式是在測試時間不存在）。此外
轉印好，我們優於當前最佳將來預測模型[6]在KITTI [1]的數據集而預測
深入到未來-由顯著餘量（3 4秒）。
此外，我們開展的深入消融研究
中間表示，要回答這個問題：“什麼
樣的語義信息對未來的準確至關重要
的預測？”。然後，我們展示的一個重要的應用
未來的預測多目標跟踪和顯示結果
在特定的序列從KITTI [1]和都市風景[2]
的數據集

結果 (繁體中文) 2:

受此激勵，我們使用語義作為中間表示，並訓練神經自回歸模型，
將其從未經定型的資料集進行概括（零拍攝）
上。具體來說，我們訓練一個模型，通過 KITTI [1] 資料集預測交通參與者的未來軌跡，以及
在不同的資料集上測試它 [2] ，[3]，並顯示網路
這些資料集的性能良好，這些資料集在場景中有所不同
佈局，天氣條件，也概括良好跨越
傳感模式（使用
身歷聲和雷射雷達資料性能良好，即使
這些模式在測試時不存在）。除了
傳輸良好，我們優於當前最好的未來預測模型 [6] 在 KITTI [1] 資料集，同時預測
以巨大的優勢深入未來（3 ~ 4 秒）。
此外，我們進行了徹底的消融研究，我們的
中間表示，回答問題"什麼
語義資訊的種類對於準確的未來至關重要
預測？？然後，我們展示一個重要的應用
未來預測_多目標跟蹤_和呈現結果
在 KITTI [1] 和城市景觀 [2] 中選擇序列
資料

結果 (繁體中文) 3:

基於此，我們使用語義作為中間表示，並訓練一個神經自回歸模型
將（零射擊）推廣到從未訓練過的數据集
打開。具體地說，我們訓練了一個模型，該模型通過KITTI[1]數据集預測交通參與者的未來軌跡，並且
在不同的數据集[2]，[3]上測試，並顯示網絡
在場景不同的數据集上表現良好
佈局、天氣條件，以及
傳感模式（使用以下組合訓練的模型
身歷聲和雷射雷達數據即使在
這些模式在測試時不存在）。除了
很好地傳遞，我們在預測的同時，在KITTI[1]數据集上優於當前的最佳未來預測模型[6]
以顯著優勢深入未來（3-4秒）。
此外，我們對我們的
中間陳述，回答問題“什麼
一種語義資訊對準確的未來至關重要
預測？”。然後我們將展示
未來預測多目標跟踪及研究現狀
從基蒂[1]和都市景觀[2]中選擇序列
數据集