CompACT-Deep
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
- University of California San Diego
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 19 July 2015
- Autores
- Zhaowei Cai, M. Saberian, N. Vasconcelos
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Object detection
- Enfoque
- Supervised
- Modelo base
- AlexNet,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.
- Datos de entrenamiento
- 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
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA Tesla K40m
- Chips utilizados
- 1
- Consumo de energía
- 286 W
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
- 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."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Learning Complexity-Aware Cascades for Deep Pedestrian Detection
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
CompACT-Deep fue publicado por University of California San Diego, en el país registrado como United States of America, durante July 2015. La organización editora está clasificada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de object detection.
En lugar de ser entrenado desde cero, se deriva de AlexNet,VGG16. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
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
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
CompACT-Deep — preguntas comunes
CompACT-Deep— ¿Quién lo creó?
Fue publicado por University of California San Diego, basado en United States of America, una organización categorizada como academia.
CompACT-Deep— ¿cuándo fue lanzado?
Se publicó en July 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.
CompACT-Deep— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de object detection. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
CompACT-Deep— ¿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.
CompACT-Deep— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
CompACT-Deep— ¿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.
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.