Two-stream ConvNets for action recognition

Zárt súlyok University of Oxford June 2014

Nincs becslés

Ennekhez a modellhez nincs hardverkövetelmény

A modellhez tartozó súlyokat nem tették közzé, így azt semmilyen méretben nem lehet letölteni vagy saját hardveren futtatni. Csak az adattovábbítóján keresztül érhető el, és semmilyen grafikus kártya nem változtat ezen..

Felvételen

Teljes specifikáció

Minden adatok ezen a modellen. A legtöbb leírás arról szól, hogyan volt kiképzve, nem pedig arról, hogyan fut — hasznos háttérinformáció arra vonatkozóan, hogy mennyi munka került bele, és hogyan viszonyul más méretű modellekhez..

Eredet

Ki építette ezt a modellt, hol, és mikor publikálták.

Szervezet
University of Oxford
Szervezet típusa
Academia
Ország
United Kingdom of Great Britain and Northern Ireland
Kiadva
9 June 2014
Szerzők
Karen Simonyan, Andrew Zisserman

Mit csinál

A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.

Irányítószám
Video
Feladat
Video classification
Numerikus formátum
FP32

Méret

Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.

Képzési adatok
1,289,500 tokens

Hogyan van besorolva

Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.

Miért követik nyomon
Highly cited
Rögzítési bizalom
Unknown
Citations
8,181

Források

Honnan származik ez a rekord és mikor ellenőrizték utoljára.

Referencia
Two-Stream Convolutional Networks for Action Recognition in Videos
Utoljára frissítve
25 May 2026

Mit jelentek a számok

Background

Two-stream ConvNets for action recognition was published by University of Oxford, in United Kingdom of Great Britain and Northern Ireland, in June 2014. It comes out of academia.

It works in Video, and is recorded as doing video classification.

Súlyait soha nem publikálták, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, amely ezt megváltoztatja.

Mi került a megépítésébe

It was trained on about 1,289,500 tokens of text.

Its inclusion criterion is highly cited.

Válaszok

Two-stream ConvNets for action recognition — Gyakran ismételt kérdések

01

Who created Two-stream ConvNets for action recognition?

Two-stream ConvNets for action recognition was published by University of Oxford, based in United Kingdom of Great Britain and Northern Ireland, categorised as academia.

02

When was Two-stream ConvNets for action recognition released?

Two-stream ConvNets for action recognition was published in June 2014. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.

03

What is Two-stream ConvNets for action recognition used for?

Two-stream ConvNets for action recognition works in Video, and is recorded as handling video classification. These are the areas it was designed around; they describe intent rather than a hard boundary.

04

What GPU do I need to run Two-stream ConvNets for action recognition?

None. Two-stream ConvNets for action recognition is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.

05

Is Two-stream ConvNets for action recognition open source?

The licensing for Two-stream ConvNets for action recognition was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.

06

How many parameters does Two-stream ConvNets for action recognition have?

No parameter count has been published for Two-stream ConvNets for action recognition, which is why no memory or speed figure appears on this page.

Forrás

Eredeti közzététel

Utolsó frissítés időpontja 25 May 2026

A másik irány

Másik oldalról nézve?

Ez az oldal a modellel kezdődik. Ha már rendelkezik egy kártyával és szeretné tudni, hogy minden mit fog futtatni, kérjük, folytassa., kezdje a hardverrel inkább.