Template Adaptation
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- University of Oxford
- Organisationsart
- Academia
- Land
- United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 12 March 2016
- Autoren
- Nate Crosswhite, J. Byrne, C. Stauffer, Omkar M. Parkhi, Qiong Cao, Andrew Zisserman
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Face recognition
- Ansatz
- Supervised
- Basis-Modell
- VGG-Face
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 138M
- Trainingsdaten
- 7,797 tokens
Trains SVM on top of VGG-Face (VGG16 architecture). SVM parameters are not included in the estimate.
"IJB-A contains 5712 images and 2085 videos of 500 subjects, for an average of 11.4 images and 4.2 videos per subject." Unclear how the videos were converted to training images.
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- SOTA improvement
- Aufzeichnungsgenauigkeit
- Likely
https://paperswithcode.com/sota/face-verification-on-ijb-a " Extensive performance evaluations on IJB-A show a surprising result, that perhaps the simplest method of template adaptation, combining deep convolutional network features with template specific linear SVMs, outperforms the state-of-the-art by a wide margin."
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Template Adaptation for Face Verification and Identification
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Was dieses Modell ist
Template Adaptation wurde veröffentlicht von University of Oxford, im Land aufgezeichnet als United Kingdom of Great Britain and Northern Ireland, während March 2016. Die veröffentlichende Organisation ist als academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet face recognition.
Der Ausgangspunkt war ein vorhandenes Basis-Modell, VGG-Face. Das ist der übliche Weg, wie ein spezialisiertes Modell hergestellt wird.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Was in den Aufbau geflossen ist
Der Trainingssatz lief auf etwa 7,797 Text-Tokens
Der Grund, warum es überhaupt in diesem Katalog erscheint: sOTA improvement.
Antworten
Template Adaptation — Häufige Fragen
Template Adaptation— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 138M. Trains SVM on top of VGG-Face (VGG16 architecture). SVM parameters are not included in the estimate. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
Template Adaptation— Wer hat es erstellt?
Es wurde veröffentlicht von University of Oxford, basiert auf United Kingdom of Great Britain and Northern Ireland, eine als kategorisierte Organisation academia.
Template Adaptation— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in March 2016. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Template Adaptation— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von face recognition. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
Template Adaptation— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
Template Adaptation— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.