Super-vector coding
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
- University of Illinois Urbana-Champaign (UIUC),NEC Laboratories,Rutgers University
- Type d'organisation
- Academia,Industry,Academia
- Pays
- United States of America
- Publié
- 1 January 2010
- Auteurs
- Xi Zhou, Kai Yu, Tong Zhang, and Thomas S. Huang
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Image classification, Object recognition
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
- 1K
- Données d'entraînement
- 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…
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
- Speculative
- Citations
- 696
"Our experiments demonstrate that the proposed classification method achieves state-of-the-art accuracy on the well-known PASCAL benchmarks."
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Image Classification using Super-Vector Coding of Local Image Descriptors
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
Super-vector coding a été publié par University of Illinois Urbana-Champaign (UIUC),NEC Laboratories,Rutgers University, dans le pays enregistré comme United States of America, durant January 2010. Cela provient d'une organisation classée comme academia,Industry,Academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image classification, Object recognition.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Comment il a été entraîné
Son critère d'inclusion : sOTA improvement.
Réponses
Super-vector coding — questions courantes
Super-vector coding— qui l'a créé ?
Il a été publié par University of Illinois Urbana-Champaign (UIUC),NEC Laboratories,Rutgers University, basé sur United States of America, une organisation catégorisée comme academia,Industry,Academia.
Super-vector coding— quand a-t-il été publié ?
Il a été publié dans January 2010. 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.
Super-vector coding— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image classification, Object recognition. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Super-vector coding— 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.
Super-vector coding— 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.
Super-vector coding— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 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. 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.