Fisher-Boost
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
- Xerox Research Centre Europe (XRCE)
- Tipo di organizzazione
- Industry
- Paese
- France
- Pubblicato
- 5 September 2010
- Autori
- Florent Perronnin, Jorge Sánchez, Thomas Mensink
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image classification
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
- 350,000 tokens
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Tempo di parete
- 22 hours
"Extracting and projecting the SIFT features for the 350K training images takes approx. 15h (150ms / image), learning the GMM on a random subset of 1M descriptors approx. 30 min, computing the Fisher vectors. Improving the Fisher Kernel for Large-Scale Image Classification 155 approx. 4h (40ms / image) and learning the 18 classifiers approx. 2h (7 min / class). " 15 + 0.5 + 4 + 2 = 21.5 hours
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Unknown
- Citazioni
- 3,062
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Improving the Fisher Kernel for Large-Scale Image Classification
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Fisher-Boost è stato pubblicato da Xerox Research Centre Europe (XRCE), nel paese registrato come France, durante September 2010. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
L'addestramento ha consumato un corpus di circa 350,000 token di testo
Risposte
Fisher-Boost — domande comuni
Fisher-Boost— 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.
Fisher-Boost— chi l'ha creato?
È stato pubblicato da Xerox Research Centre Europe (XRCE), basato su France, un'organizzazione categorizzata come industry.
Fisher-Boost— quando è stato rilasciato?
È stato pubblicato in September 2010. 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.
Fisher-Boost— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image classification. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
Fisher-Boost— 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.
Fisher-Boost— 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.
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.