Domain Adaptation
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- University of Maryland
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 6 November 2011
- Autoři
- Raghuraman Gopalan, Ruonan Li, Rama Chellappa
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Object recognition
- Přístup
- Supervised
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 15.3K
- Výcviková data
- 2,790 tokens
Did not take into account initial image feature extraction, only novel stuff. 1. Perform PCA on the feature matrices from both domains. Learnable parameters are projection matrices. = 800 (# features) x 200 (reduced dimension) x 2 (once per subdomain) 2. Perform partial least squares regression. Learnable parameters are Matrix P with dimensions 200 (# features) x 30 (dimension of latent space) Matrix Q with dimensions 1 (# responses) x 30 (dimension of latent space) Projection matrix of X ont…
Dataset introduced in 'Adapting Visual Category Models to New Domains'
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Citace
- 1,071
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Domain Adaptation for Object Recognition: An Unsupervised Approach
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
Domain Adaptation byl zveřejněn University of Maryland, v zemi zaznamenané jako United States of America, během November 2011. Kategorie, do které vydavatel spadá, je academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol object recognition.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Trénink a původ
Bylo to trénováno na korpusu asi 2,790 tokeny textu
Odpovědi
Domain Adaptation — běžné otázky
Domain Adaptation— Kdy byl vydán?
Bylo to zveřejněno v November 2011. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Domain Adaptation— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol object recognition. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
Domain Adaptation— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
Domain Adaptation— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
Domain Adaptation— kolik má parametrů?
Má počet parametrů 15.3K. Did not take into account initial image feature extraction, only novel stuff. 1. Perform PCA on the feature matrices from both domains. Learnable parameters are projection matrices. = 800 (# features) x 200 (reduced dimension) x 2 (once per subdomain) 2. Perform partial least squares regression. Learnable parameters are Matrix P with dimensions 200 (# features) x 30 (dimension of latent space) Matrix Q with dimensions 1 (# responses) x 30 (dimension of latent space) Projection matrix of X onto latent space: 200 (# features) x 30 (dimension of latent space) Projection matrix of Y onto latent space: 1 (# responses) x 30 (dimension of latent space). Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Domain Adaptation— Kdo to vytvořil?
Bylo to publikováno společností University of Maryland, zakládající se na United States of America, organizace zařazená jako academia.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.