3DDFA
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
- Chinese Academy of Sciences,Michigan State University
- Tipo de Organización
- Academia,Academia
- País
- China, United States of America
- Publicado
- 23 November 2015
- Autores
- Xiangyu Zhu, Zhen Lei, Xiaoming Liu, Hailin Shi, S. Li
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, 3D reconstruction
- 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.
- parámetros
- 5.4M
- Datos de entrenamiento
- 293,901 tokens
Parameters based on Figure 2: CNN layers: 4*4*16*6+4*4*32*16=9728 Local CNN: 3*3*48*32*11*11+3*3*64*49*9*9=3958848 FC: 9*9*64*256+234*256=1387008 Total: 9728+3958848+1387008=5355584
"We divide 300W-LP into 97,967 samples for training and 24,483 samples for testing, without identity overlapping. "
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
- Open source
MIT license: https://github.com/cleardusk/3DDFA (refers to the improved later version of the paper)
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/3d-face-reconstruction-on-florence "Experiments on the challenging AFLW database show that our approach achieves significant improvements over state-of-the-art methods."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Face Alignment in Full Pose Range: A 3D Total Solution
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
3DDFA fue publicado por Chinese Academy of Sciences,Michigan State University, en el país registrado como China, durante November 2015. Sale de una organización categorizada como academia,Academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de face detection, 3D reconstruction.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Entrenamiento y procedencia
El entrenamiento consumió un corpus de alrededor de 293,901 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
3DDFA — preguntas comunes
3DDFA— ¿cuándo fue lanzado?
Se publicó en November 2015. 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.
3DDFA— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de face detection, 3D reconstruction. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
3DDFA— ¿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.
3DDFA— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
3DDFA— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 5.4M. Parameters based on Figure 2: CNN layers: 4*4*16*6+4*4*32*16=9728 Local CNN: 3*3*48*32*11*11+3*3*64*49*9*9=3958848 FC: 9*9*64*256+234*256=1387008 Total: 9728+3958848+1387008=5355584. 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.
3DDFA— ¿Quién lo creó?
Fue publicado por Chinese Academy of Sciences,Michigan State University, basado en China, una organización categorizada como academia,Academia.
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.