Trajectory-pooled conv nets
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences
- Type d'organisation
- Academia,Academia
- Pays
- Hong Kong, China
- Publié
- 19 May 2015
- Auteurs
- Limin Wang, Yu Qiao, Xiaoou Tang
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Video
- Tâche
- Action recognition
- Format numérique
- FP32
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 9.1M
- Données d'entraînement
- tokens
The input layer takes either a single RGB frame (224x224x3) for the spatial stream or a stack of 10 optical flow frames (224x224x20) for the temporal stream. The first convolutional layer has 96 filters of size 7x7 with stride 2. This is followed by max pooling with size 3x3 and stride 2. The second convolutional layer has 256 filters of size 5x5 with stride 2. After that is another max pooling layer (3x3, stride 2). The third convolutional layer has 512 filters of size 3x3 with stride 1. The fo…
They pretrain on ImageNet, and use UCF101 for actions. Its paper says "We introduce UCF101 which is currently the largest dataset of human actions. It consists of 101 action classes, over 13k clips and 27 hours of video data".
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Citations
- 3,786
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Action Recognition with Trajectory-Pooled Deep-Convolutional Descriptors
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
Trajectory-pooled conv nets a été publié par Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences, dans le pays enregistré comme Hong Kong, durant May 2015. L'organisation de publication est catégorisée comme academia,Academia.
Il fonctionne dans le domaine de Video, et est enregistré comme exécutant la tâche de action recognition.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Réponses
Trajectory-pooled conv nets — questions courantes
Trajectory-pooled conv nets— qui l'a créé ?
Il a été publié par Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences, basé sur Hong Kong, une organisation catégorisée comme academia,Academia.
Trajectory-pooled conv nets— quand a-t-il été publié ?
Il a été publié dans May 2015. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
Trajectory-pooled conv nets— à quoi ça sert ?
Il fonctionne dans le domaine de Video, et est enregistré comme gérant la tâche de action recognition. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Trajectory-pooled conv nets— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
Trajectory-pooled conv nets— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
Trajectory-pooled conv nets— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 9.1M. The input layer takes either a single RGB frame (224x224x3) for the spatial stream or a stack of 10 optical flow frames (224x224x20) for the temporal stream. The first convolutional layer has 96 filters of size 7x7 with stride 2. This is followed by max pooling with size 3x3 and stride 2. The second convolutional layer has 256 filters of size 5x5 with stride 2. After that is another max pooling layer (3x3, stride 2). The third convolutional layer has 512 filters of size 3x3 with stride 1. The fourth convolutional layer has 512 filters of size 3x3 with stride 1. The fifth convolutional layer has 512 filters of size 3x3 with stride 1. Next is a max pooling layer (3x3, stride 2). The fully-connected layers have 4096, 2048, and 101 neurons respectively. (7*7*20+1)*96 + (5*5*20+1)*256 + (3*3*20+1)*512 + (3*3*20+1)*512 + (3*3*20+1)*512 + 2*4096 + (4096+1)*2048 + (2048+1)*101 = 9106245. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.