CCL
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- SenseTime,Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences
- Tipo de Organización
- Industry,Academia,Academia
- País
- Hong Kong, China
- Publicado
- 27 June 2016
- Autores
- Shizhan Zhu, Cheng Li, Chen Change Loy, Xiaoou Tang
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Face detection
- Enfoque
- Supervised
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 20,000 tokens
[images] Table 1
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
project page (no code or weights are released): https://mmlab.ie.cuhk.edu.hk/projects/compositional.html
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
https://paperswithcode.com/sota/face-alignment-on-aflw-19
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Unconstrained Face Alignment via Cascaded Compositional Learning
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
CCL fue publicado por SenseTime,Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences, en el país registrado como Hong Kong, durante June 2016. Sale de una organización categorizada como industry,Academia,Academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de face detection.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
El conjunto de entrenamiento se ejecutó a aproximadamente 20,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: sOTA improvement.
Respuestas
CCL — preguntas comunes
CCL— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
CCL— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
CCL— ¿Quién lo creó?
Fue publicado por SenseTime,Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences, basado en Hong Kong, una organización categorizada como industry,Academia,Academia.
CCL— ¿cuándo fue lanzado?
Se publicó en June 2016. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
CCL— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de face detection. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
CCL— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.