Template Adaptation
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
- University of Oxford
- Organisatietype
- Academia
- Land
- United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 12 March 2016
- Auteurs
- Nate Crosswhite, J. Byrne, C. Stauffer, Omkar M. Parkhi, Qiong Cao, Andrew Zisserman
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Face recognition
- Aanpak
- Supervised
- Basis model
- VGG-Face
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.
- parameters
- 138M
- Training gegevens
- 7,797 tokens
Trains SVM on top of VGG-Face (VGG16 architecture). SVM parameters are not included in the estimate.
"IJB-A contains 5712 images and 2085 videos of 500 subjects, for an average of 11.4 images and 4.2 videos per subject." Unclear how the videos were converted to training images.
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
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.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Likely
https://paperswithcode.com/sota/face-verification-on-ijb-a " Extensive performance evaluations on IJB-A show a surprising result, that perhaps the simplest method of template adaptation, combining deep convolutional network features with template specific linear SVMs, outperforms the state-of-the-art by a wide margin."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Template Adaptation for Face Verification and Identification
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
Template Adaptation werd gepubliceerd door University of Oxford, in het land geregistreerd als United Kingdom of Great Britain and Northern Ireland, tijdens March 2016. De publicerende organisatie is geclassificeerd als academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van face recognition.
Het startpunt was een bestaand basismodel, VGG-Face. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Wat erin ging zitten om het te bouwen
De trainingsset liep naar ongeveer 7,797 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
Template Adaptation — veelgestelde vragen
Template Adaptation— hoeveel parameters heeft het?
Het heeft een parameter telling van 138M. Trains SVM on top of VGG-Face (VGG16 architecture). SVM parameters are not included in the estimate. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
Template Adaptation— wie heeft het gemaakt?
Het werd gepubliceerd door University of Oxford, gebaseerd op United Kingdom of Great Britain and Northern Ireland, een organisatie geclassificeerd als academia.
Template Adaptation— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2016. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Template Adaptation— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van face recognition. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Template Adaptation— 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.
Template Adaptation— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
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.