Spatiotemporal fusion ConvNet
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Graz University of Technology,University of Oxford
- Tipo di organizzazione
- Academia,Academia
- Paese
- Austria, United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 1 June 2016
- Autori
- Christoph Feichtenhofer, Axel Pinz, Andrew Zisserman
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Video
- Compito
- Video, Action recognition
- Formato numerico
- FP32
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- 13,000 tokens
[SECONDS OF VIDEO] They use UCF101, whose 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"
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Citazioni
- 2,538
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Convolutional Two-Stream Network Fusion for Video Action Recognition
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Spatiotemporal fusion ConvNet è stato pubblicato da Graz University of Technology,University of Oxford, nel paese registrato come Austria, durante June 2016. Esce da un'organizzazione categorizzata come academia,Academia.
Funziona nel dominio di Video, ed è registrato come eseguire il compito di video, Action recognition.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
L'addestramento ha consumato un corpus di circa 13,000 token di testo
Risposte
Spatiotemporal fusion ConvNet — domande comuni
Spatiotemporal fusion ConvNet— A cosa serve?
Funziona nel dominio di Video, e viene registrato come gestire il compito di video, Action recognition. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Spatiotemporal fusion ConvNet— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
Spatiotemporal fusion ConvNet— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
Spatiotemporal fusion ConvNet— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
Spatiotemporal fusion ConvNet— chi l'ha creato?
È stato pubblicato da Graz University of Technology,University of Oxford, basato su Austria, un'organizzazione categorizzata come academia,Academia.
Spatiotemporal fusion ConvNet— quando è stato rilasciato?
È stato pubblicato in June 2016. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.