Domain Adaptation
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 Maryland
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 6 November 2011
- Autores
- Raghuraman Gopalan, Ruonan Li, Rama Chellappa
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 recognition
- 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
- 15.3K
- Datos de entrenamiento
- 2,790 tokens
Did not take into account initial image feature extraction, only novel stuff. 1. Perform PCA on the feature matrices from both domains. Learnable parameters are projection matrices. = 800 (# features) x 200 (reduced dimension) x 2 (once per subdomain) 2. Perform partial least squares regression. Learnable parameters are Matrix P with dimensions 200 (# features) x 30 (dimension of latent space) Matrix Q with dimensions 1 (# responses) x 30 (dimension of latent space) Projection matrix of X ont…
Dataset introduced in 'Adapting Visual Category Models to New Domains'
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Citas
- 1,071
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Domain Adaptation for Object Recognition: An Unsupervised Approach
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Domain Adaptation fue publicado por University of Maryland, en el país registrado como United States of America, durante November 2011. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de object recognition.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Fue entrenado en un corpus de aproximadamente 2,790 tokens de texto
Respuestas
Domain Adaptation — preguntas comunes
Domain Adaptation— ¿cuándo fue lanzado?
Se publicó en November 2011. 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.
Domain Adaptation— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de object recognition. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
Domain Adaptation— ¿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.
Domain Adaptation— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
Domain Adaptation— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 15.3K. Did not take into account initial image feature extraction, only novel stuff. 1. Perform PCA on the feature matrices from both domains. Learnable parameters are projection matrices. = 800 (# features) x 200 (reduced dimension) x 2 (once per subdomain) 2. Perform partial least squares regression. Learnable parameters are Matrix P with dimensions 200 (# features) x 30 (dimension of latent space) Matrix Q with dimensions 1 (# responses) x 30 (dimension of latent space) Projection matrix of X onto latent space: 200 (# features) x 30 (dimension of latent space) Projection matrix of Y onto latent space: 1 (# responses) x 30 (dimension of latent space). 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.
Domain Adaptation— ¿Quién lo creó?
Fue publicado por University of Maryland, basado en United States of America, una organización categorizada como 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.