Spatiotemporal fusion ConvNet
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Graz University of Technology,University of Oxford
- Organisatietype
- Academia,Academia
- Land
- Austria, United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 1 June 2016
- Auteurs
- Christoph Feichtenhofer, Axel Pinz, Andrew Zisserman
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Video
- Taak
- Video, Action recognition
- Numerieke indeling
- FP32
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- Training gegevens
- 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"
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Citaties
- 2,538
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Convolutional Two-Stream Network Fusion for Video Action Recognition
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Waar het vandaan kwam
Spatiotemporal fusion ConvNet werd gepubliceerd door Graz University of Technology,University of Oxford, in het land geregistreerd als Austria, tijdens June 2016. Het komt uit een organisatie gecategoriseerd als academia,Academia.
Het werkt in het domein van Video, en wordt geregistreerd als het uitvoeren van de taak van video, Action recognition.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Hoe het getraind werd
Training verbruikte een corpus van ongeveer 13,000 tekstokens
Antwoorden
Spatiotemporal fusion ConvNet — veelgestelde vragen
Spatiotemporal fusion ConvNet— waarvoor wordt het gebruikt?
Het werkt in het domein van Video, en wordt geregistreerd als het afhandelen van video, Action recognition. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Spatiotemporal fusion ConvNet— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
Spatiotemporal fusion ConvNet— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
Spatiotemporal fusion ConvNet— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Spatiotemporal fusion ConvNet— wie heeft het gemaakt?
Het werd gepubliceerd door Graz University of Technology,University of Oxford, gebaseerd op Austria, een organisatie geclassificeerd als academia,Academia.
Spatiotemporal fusion ConvNet— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2016. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.