TA-CNN
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)
- Type d'organisation
- Academia
- Pays
- Hong Kong
- Publié
- 29 November 2014
- Auteurs
- Yonglong Tian, Ping Luo, Xiaogang Wang, Xiaoou Tang
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Object detection
- Approche
- Supervised
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
- 706K
- Données d'entraînement
- 45,000 tokens
Architecture details in Figure 4 Conv1: 3*7*7*32=4704 Conv2: 32*5*5*48=38400Conv3: 48*3*3*64=27648 Conv4: 64*3*3*96=55296 Fc5: 5*2*96*500=480000 Fc6: 500*200=100000 Total: 4704+38400+27648+55296+480000+100000=706048
Followed train test split detailed in Pedestrian Detection: An Evaluation of the State of the Art
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 1.1 × 10¹⁶ FLOP
- Comment cela a été établi
- Hardware
Training time: 3h Assumed FP32 GPU FLOPs in 2014: 3.35e+12Assumed utilization: 0.3 Training FLOP: 3*60*60*0.3*3.35e12=10854000000000000=1.08e16
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Chips utilisés
- 1
- Temps en temps réel
- 3 hours
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
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.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Likely
"he proposed approach outperforms the state-of-the-art on the challenging Caltech and ETH datasets, where it reduces the miss rates of previous deep models by 17 and 5.5 percent, respectively. "
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Pedestrian Detection aided by Deep Learning Semantic Tasks
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
TA-CNN a été publié par Chinese University of Hong Kong (CUHK), dans le pays enregistré comme Hong Kong, durant November 2014. L'organisation de publication est catégorisée comme academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de object detection.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a nécessité un budget de calcul d'environ 1.1 × 10¹⁶ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 45,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. sOTA improvement.
Réponses
TA-CNN — questions courantes
TA-CNN— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 706K. Architecture details in Figure 4 Conv1: 3*7*7*32=4704 Conv2: 32*5*5*48=38400Conv3: 48*3*3*64=27648 Conv4: 64*3*3*96=55296 Fc5: 5*2*96*500=480000 Fc6: 500*200=100000 Total: 4704+38400+27648+55296+480000+100000=706048. 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.
TA-CNN— qui l'a créé ?
Il a été publié par Chinese University of Hong Kong (CUHK), basé sur Hong Kong, une organisation catégorisée comme academia.
TA-CNN— quand a-t-il été publié ?
Il a été publié dans November 2014. 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.
TA-CNN— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de object detection. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
TA-CNN— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.1 × 10¹⁶ FLOP. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
TA-CNN— 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.
TA-CNN— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
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.