Super-vector coding
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- University of Illinois Urbana-Champaign (UIUC),NEC Laboratories,Rutgers University
- Typ organizace
- Academia,Industry,Academia
- Země
- United States of America
- Publikováno
- 1 January 2010
- Autoři
- Xi Zhou, Kai Yu, Tong Zhang, and Thomas S. Huang
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Image classification, Object recognition
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 1K
- Výcviková data
- tokens
Somewhat low confidence, but it seems like the number of learnable parameters is the size of the codebook, plus parameters in the SVM used for classification. Since it is a linear SVM, there will be one parameter per input feature, plus a single bias term. So in total, 512 learnable codebook values, plus 513 SVM parameters = 1025 parameters
"PASCAL VOC 2007 consists of 9,963 images which are divided intothree subsets: training data (2501 images), validation data (2510 images), and test data (4952 images). PASCAL VOC 2009 consists of 14,743 images and correspondingly are divided into three subsets: training data(3473 images), validation data(3581 images), and testing data (7689 images)." PASCAL VOC 2009 is the larger experiment; images used in training is 3473 + 3581 = 7,054 For each image, the inputs for the codebook training are…
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Speculative
- Citace
- 696
"Our experiments demonstrate that the proposed classification method achieves state-of-the-art accuracy on the well-known PASCAL benchmarks."
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Image Classification using Super-Vector Coding of Local Image Descriptors
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Odkud to přišlo
Super-vector coding byl zveřejněn University of Illinois Urbana-Champaign (UIUC),NEC Laboratories,Rutgers University, v zemi zaznamenané jako United States of America, během January 2010. Vychází z organizace, která je kategorizována jako academia,Industry,Academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification, Object recognition.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Jak bylo trénováno
Jeho kritérium zahrnutí: sOTA improvement.
Odpovědi
Super-vector coding — běžné otázky
Super-vector coding— Kdo to vytvořil?
Bylo to publikováno společností University of Illinois Urbana-Champaign (UIUC),NEC Laboratories,Rutgers University, zakládající se na United States of America, organizace zařazená jako academia,Industry,Academia.
Super-vector coding— Kdy byl vydán?
Bylo to zveřejněno v January 2010. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Super-vector coding— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification, Object recognition. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
Super-vector coding— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
Super-vector coding— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
Super-vector coding— kolik má parametrů?
Má počet parametrů 1K. Somewhat low confidence, but it seems like the number of learnable parameters is the size of the codebook, plus parameters in the SVM used for classification. Since it is a linear SVM, there will be one parameter per input feature, plus a single bias term. So in total, 512 learnable codebook values, plus 513 SVM parameters = 1025 parameters. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.