Super-vector coding
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
- University of Illinois Urbana-Champaign (UIUC),NEC Laboratories,Rutgers University
- Tipo di organizzazione
- Academia,Industry,Academia
- Paese
- United States of America
- Pubblicato
- 1 January 2010
- Autori
- Xi Zhou, Kai Yu, Tong Zhang, and Thomas S. Huang
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image classification, Object recognition
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
- 1K
- Dati di addestramento
- 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…
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
- Speculative
- Citazioni
- 696
"Our experiments demonstrate that the proposed classification method achieves state-of-the-art accuracy on the well-known PASCAL benchmarks."
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Image Classification using Super-Vector Coding of Local Image Descriptors
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Super-vector coding è stato pubblicato da University of Illinois Urbana-Champaign (UIUC),NEC Laboratories,Rutgers University, nel paese registrato come United States of America, durante January 2010. Esce da un'organizzazione categorizzata come academia,Industry,Academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification, Object 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
Il suo criterio di inclusione: sOTA improvement.
Risposte
Super-vector coding — domande comuni
Super-vector coding— chi l'ha creato?
È stato pubblicato da University of Illinois Urbana-Champaign (UIUC),NEC Laboratories,Rutgers University, basato su United States of America, un'organizzazione categorizzata come academia,Industry,Academia.
Super-vector coding— quando è stato rilasciato?
È stato pubblicato in January 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.
Super-vector coding— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image classification, Object recognition. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Super-vector coding— 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.
Super-vector coding— 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.
Super-vector coding— quanti parametri ha?
Ha un numero di parametri di 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. 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.
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.