CompACT-Deep
Χωρίς εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Τα βάρη αυτού του μοντέλου δεν έχουν δημοσιευθεί, επομένως δεν μπορεί να κατεβεί ή να τρέξει σε δικό σας υλικό οποιουδήποτε μεγέθους. Είναι προσβάσιμο μόνο μέσω του παρόχου του και καμία κάρτα γραφικών δεν το αλλάζει αυτό.
Σε εγγραφή
Πλήρης προδιαγραφή
Όλα τα δεδομένα σχετικά με αυτό το μοντέλο. Τα περισσότερα περιγράφουν πώς εκπαιδεύτηκε παρά πώς τρέχει — χρήσιμο πλαίσιο για την αξιολόγηση του πόσο δουλειά απαιτήθηκε και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα.
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε;
- Οργάνωση
- University of California San Diego
- Τύπος οργάνωσης
- Academia
- Χώρα
- United States of America
- Δημοσιευμένο
- 19 July 2015
- Συγγραφείς
- Zhaowei Cai, M. Saberian, N. Vasconcelos
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Vision
- Εντολή
- Object detection
- Προσέγγιση
- Supervised
- Βασικό μοντέλο
- AlexNet,VGG16
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα εκπαιδεύτηκε. Οι παράμετροι είναι το νούμερο που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- Δεδομένα εκπαίδευσης
- tokens
From the paper: For Caltech, we used the training set size of [21] [21] is https://arxiv.org/pdf/1406.1134. From that paper: For the following experiments, we rely solely on the training set of the Caltech Pedestrian Dataset [10]. Of the 71 minute long training videos (∼128k images), we use every fourth video as validation data and the rest for training. 128k * 3/4 = 96k
Η εκπαίδευση
Τι χρειάστηκε φυσικά για να εκπαιδεύσουμε: ποια τσιπ, πόσα, για πόσο καιρό, και τι αυτό τραβούσε από τον τοίχο.
- Εκπαίδευση υλικού
- NVIDIA Tesla K40m
- Τσιπ που χρησιμοποιούνται
- 1
- Κατανάλωση ενέργειας
- 286 W
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το εκτελέσετε στον δικό σας εξοπλισμό, κάτι που αποφασίζει αν κάποια από τα στοιχεία της κάρτας γραφικών σε αυτή τη σελίδα εφαρμόζονται.
- Βάρη
- Closed — provider access only
- Πρόσβαση μοντέλου
- Unreleased
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Γιατί παρακολουθείται
- SOTA improvement
- Καταγραφή εμπιστοσύνης
- Confident
https://paperswithcode.com/sota/pedestrian-detection-on-caltech "This enables state of the art performance on the Caltech and KITTI datasets, at fairly fast speeds."
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- Learning Complexity-Aware Cascades for Deep Pedestrian Detection
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Τι είναι αυτό το μοντέλο
CompACT-Deep was published by University of California San Diego, in United States of America, in July 2015. The organisation is categorised as academia.
It works in Vision, and is recorded as doing object detection.
It is derived from AlexNet,VGG16 rather than trained from scratch, which is the usual way a specialised model is produced.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Τι απαιτήθηκε για την κατασκευή του
Ο λόγος που εμφανίζεται σε αυτόν τον κατάλογο είναι η βελτίωση sOTA.
Απαντήσεις
CompACT-Deep — Συχνές ερωτήσεις
Who created CompACT-Deep?
CompACT-Deep was published by University of California San Diego, based in United States of America, categorised as academia.
When was CompACT-Deep released?
CompACT-Deep was published in July 2015. 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 CompACT-Deep used for?
CompACT-Deep works in Vision, and is recorded as handling object detection. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run CompACT-Deep?
None. CompACT-Deep 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 CompACT-Deep open source?
No. CompACT-Deep has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does CompACT-Deep have?
No parameter count has been published for CompACT-Deep, which is why no memory or speed figure appears on this page.
Η άλλη κατεύθυνση
Βλέποντάς το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινάει από το μοντέλο. Αν ήδη διαθέτετε μια κάρτα και θέλετε να γνωρίζετε όλα όσα θα τρέξει, Ξεκινήστε από το υλικό αντί..