TA-CNN
Brak szacunków
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu nie zostały opublikowane, dlatego nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny wyłącznie poprzez jego dostawcę, a żadna karta graficzna tego nie zmieni.
Na nagraniu
Pełna specyfikacja
Wszystko, co jest dostępne na temat tego modelu. Większość z tego opisuje, jak został wytrenowany, a nie jak działa — przydatny kontekst do oceny, ile pracy w to włożono i jak wypada na tle modeli zbudowanych na innym poziomie skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Chinese University of Hong Kong (CUHK)
- Typ organizacji
- Academia
- Kraj
- Hong Kong
- Opublikowane
- 29 November 2014
- Autorzy
- Yonglong Tian, Ping Luo, Xiaogang Wang, Xiaoou Tang
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Vision
- Zadanie
- Object detection
- Approach
- Supervised
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Parametry
- 706K
- Dane treningowe
- 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
Obliczenia szkoleniowe
Aritmetyka wykonywana w celu wytrenowania modelu, mierzone w operacjach zmiennoprzecinkowych. Jest to miara kosztu przeprowadzonego treningu, a nie tego, jak szybko gotowy model odpowiada na twoje zapytania.
- Obliczenia szkoleniowe
- 1.1 × 10¹⁶ FLOP
- Jak to zostało ustalone
- 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
Trening
Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.
- Chips użyte
- 1
- Wall-clock time
- 3 hours
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim własnym sprzęcie, co decyduje, czy jakiekolwiek z danych dotyczących karty graficznej na tej stronie mają zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Dlaczego jest śledzone
- SOTA improvement
- Zaufanie do nagrania
- 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. "
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Pedestrian Detection aided by Deep Learning Semantic Tasks
- Ostatnia aktualizacja
- 28 November 2025
Co oznaczają liczby
O tym modelu
TA-CNN was published by Chinese University of Hong Kong (CUHK), in Hong Kong, in November 2014. The organisation is categorised as academia.
It works in Vision, and is recorded as doing object detection.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Co poszło w budowę tego
Training it took roughly 1.1 × 10¹⁶ FLOP of computation — a measure of what producing the model cost, not of how fast it answers.
It was trained on about 45,000 tokens of text.
The reason it appears in this catalogue at all is sOTA improvement.
Odpowiedzi
TA-CNN — Często zadawane pytania
How many parameters does TA-CNN have?
TA-CNN has 706K parameters. 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. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created TA-CNN?
TA-CNN was published by Chinese University of Hong Kong (CUHK), based in Hong Kong, categorised as academia.
When was TA-CNN released?
TA-CNN was published in November 2014. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is TA-CNN used for?
TA-CNN works in Vision, and is recorded as handling object detection. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train TA-CNN?
Around 1.1 × 10¹⁶ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run TA-CNN?
None. TA-CNN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is TA-CNN open source?
No. TA-CNN has not had its weights published, so it exists only as a service controlled by its owner.
W innym kierunku
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, wszystko co będzie ona obsługiwać, Rozpocznij od sprzętu..