Template Adaptation
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- University of Oxford
- Tipo de Organización
- Academia
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 12 March 2016
- Autores
- Nate Crosswhite, J. Byrne, C. Stauffer, Omkar M. Parkhi, Qiong Cao, Andrew Zisserman
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Face recognition
- Enfoque
- Supervised
- Modelo base
- VGG-Face
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 138M
- Datos de entrenamiento
- 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.
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- 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."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Template Adaptation for Face Verification and Identification
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
Template Adaptation fue publicado por University of Oxford, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante March 2016. La organización editora está clasificada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de face recognition.
Su punto de partida fue un modelo base existente, VGG-Face. Esa es la forma habitual en que se produce un modelo especializado.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Qué se necesitó para construirlo
El conjunto de entrenamiento se ejecutó a aproximadamente 7,797 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
Template Adaptation — preguntas comunes
Template Adaptation— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 138M. Trains SVM on top of VGG-Face (VGG16 architecture). SVM parameters are not included in the estimate. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
Template Adaptation— ¿Quién lo creó?
Fue publicado por University of Oxford, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como academia.
Template Adaptation— ¿cuándo fue lanzado?
Se publicó en March 2016. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Template Adaptation— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de face recognition. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Template Adaptation— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Template Adaptation— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.