This is the Linux app named TimeSformer whose latest release can be downloaded as TimeSformersourcecode.tar.gz. It can be run online in the free hosting provider OnWorks for workstations.
Laden Sie diese App namens TimeSformer mit OnWorks kostenlos herunter und führen Sie sie online aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie den OnWorks Linux-Online- oder Windows-Online-Emulator oder den MACOS-Online-Emulator von dieser Website.
- 5. Rufen Sie vom gerade gestarteten OnWorks Linux-Betriebssystem aus unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter, installieren Sie sie und führen Sie sie aus.
SCREENSHOTS
Ad
Zeitformer
BESCHREIBUNG
TimeSformer ist eine Vision-Transformer-Architektur für Videos, die den Standard-Aufmerksamkeitsmechanismus auf räumlich-zeitliche Aufmerksamkeit erweitert. Das Modell wechselt die Aufmerksamkeit entlang räumlicher und zeitlicher Dimensionen (oder entwickelt Varianten wie geteilte Aufmerksamkeit), sodass es sowohl Erscheinungs- als auch Bewegungshinweise in Videos erfassen kann. Da die Aufmerksamkeit global über alle Frames hinweg gilt, kann TimeSformer Abhängigkeiten über lange Zeiträume hinweg und nicht nur über lokale Nachbarschaften hinweg berücksichtigen. Die offizielle Implementierung in PyTorch bietet Konfigurationen, vortrainierte Modelle und Trainingsskripte, die die Auswertung und Feinabstimmung von Videodatensätzen vereinfachen. TimeSformer war maßgeblich daran beteiligt, zu zeigen, dass reine Transformer-Architekturen – ohne Convolutional-Backbones – bei Videoklassifizierungsaufgaben eine hohe Leistung erbringen können. Sein flexibles Aufmerksamkeitsdesign ermöglicht das Experimentieren mit verschiedenen Faktorisierungen (räumlich-zeitlich, gemeinsam usw.), um Rechenleistung, Speicher und Genauigkeit gegeneinander abzuwägen.
Eigenschaften
- Räumlich-zeitliche Transformator-Aufmerksamkeit für die Videomodellierung
- Varianten: geteilte räumlich/zeitliche Aufmerksamkeit und gemeinsame Aufmerksamkeitsschemata
- PyTorch-Referenzimplementierung mit vortrainierten Gewichten und Skripten
- Fähigkeit, über langfristige zeitliche Abhängigkeiten weltweit nachzudenken
- Konfigurierbare Parameter für Patchgröße, Frames, Einbettungsdimension und Kopfzahl
- Unterstützung für die Feinabstimmung von Videoklassifizierungs- und Erkennungsbenchmarks
Programmiersprache
Python
Kategorien
Diese Anwendung kann auch von https://sourceforge.net/projects/timesformer.mirror/ heruntergeladen werden. Sie wurde in OnWorks gehostet, um sie auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme aus ausführen zu können.
