TA-CNN
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
- Chinese University of Hong Kong (CUHK)
- Tipo di organizzazione
- Academia
- Paese
- Hong Kong
- Pubblicato
- 29 November 2014
- Autori
- Yonglong Tian, Ping Luo, Xiaogang Wang, Xiaoou Tang
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Object detection
- Approccio
- Supervised
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.
- parametri
- 706K
- Dati di addestramento
- 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
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 1.1 × 10¹⁶ FLOP
- Come è stato stabilito
- 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
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Chip utilizzati
- 1
- Tempo di parete
- 3 hours
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- 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. "
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Pedestrian Detection aided by Deep Learning Semantic Tasks
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
TA-CNN è stato pubblicato da Chinese University of Hong Kong (CUHK), nel paese registrato come Hong Kong, durante November 2014. L'organizzazione di pubblicazione è classificata come academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di object detection.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Cosa è stato necessario per costruirlo
Il training ha richiesto un budget di calcolo di circa 1.1 × 10¹⁶ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 45,000 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
TA-CNN — domande comuni
TA-CNN— quanti parametri ha?
Ha un numero di parametri di 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. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
TA-CNN— chi l'ha creato?
È stato pubblicato da Chinese University of Hong Kong (CUHK), basato su Hong Kong, un'organizzazione categorizzata come academia.
TA-CNN— quando è stato rilasciato?
È stato pubblicato in November 2014. 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.
TA-CNN— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di object detection. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
TA-CNN— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.1 × 10¹⁶ FLOP. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
TA-CNN— 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.
TA-CNN— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
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.