Unsupervised Scale-Invariant Learning
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 Oxford
- Tipo de Organización
- Academia
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 18 June 2003
- Autores
- R Fergus, P Perona, A Zisserman
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Image classification
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
- 0.5K
- Datos de entrenamiento
- 400 tokens
See Table 1
See Table 2 and Figure 1. There are 7 datasets, each with 200-800 of pictures. I pick 500 as the avg number of pictures
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Citas
- 2,970
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Object Class Recognition by Unsupervised Scale-Invariant Learning
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Unsupervised Scale-Invariant Learning fue publicado por University of Oxford, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante June 2003. Sale de una organización categorizada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
El conjunto de entrenamiento se ejecutó a aproximadamente 400 tokens de texto
Respuestas
Unsupervised Scale-Invariant Learning — preguntas comunes
Unsupervised Scale-Invariant Learning— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. 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.
Unsupervised Scale-Invariant Learning— ¿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.
Unsupervised Scale-Invariant Learning— ¿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.
Unsupervised Scale-Invariant Learning— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 0.5K. See Table 1. 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.
Unsupervised Scale-Invariant Learning— ¿Quién lo creó?
Fue publicado por University of Oxford, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como academia.
Unsupervised Scale-Invariant Learning— ¿cuándo fue lanzado?
Se publicó en June 2003. 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.
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.