CMS-RCNN
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
- IEEE
- Tipo de Organización
- Industry
- País
- Multinational
- Publicado
- 17 June 2016
- Autores
- Chenchen Zhu, Yutong Zheng, Khoa Luu, M. Savvides
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
- Modelo base
- VGG16
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.
- parámetros
- 138M
- Datos de entrenamiento
- tokens
Based on VGG16 architecture, actual parameter count is slightly larger since the model contains some small added layers which are not described in detail.
159,424 annotated faces collected in 12,880 images
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
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
- Likely
https://paperswithcode.com/sota/face-detection-on-wider-face-medium "The experimental results show that our proposed approach trained on WIDER FACE Dataset outperforms strong baselines on WIDER FACE Dataset by a large margin, and consistently achieves competitive results on FDDB against the recent state-of-the-art face detection methods."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- CMS-RCNN: Contextual Multi-Scale Region-based CNN for Unconstrained Face Detection
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
CMS-RCNN fue publicado por IEEE, en el país registrado como Multinational, durante June 2016. La organización editora está clasificada como industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de face detection.
En lugar de ser entrenado desde cero, se deriva de VGG16. Esa es la forma habitual en que se produce un modelo especializado.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
Se rastrea en el conjunto de datos subyacente por una razón en particular: sOTA improvement.
Respuestas
CMS-RCNN — preguntas comunes
CMS-RCNN— ¿Quién lo creó?
Fue publicado por IEEE, basado en Multinational, una organización categorizada como industry.
CMS-RCNN— ¿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.
CMS-RCNN— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de face detection. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
CMS-RCNN— ¿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.
CMS-RCNN— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
CMS-RCNN— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 138M. Based on VGG16 architecture, actual parameter count is slightly larger since the model contains some small added layers which are not described in detail. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
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.