CCL
Aucune estimation
Aucun besoin matériel pour ce modèle
Les poids de ce modèle n'ont pas été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel, quelle que soit la taille. Il n'est accessible que via son fournisseur, et aucune carte graphique ne change cela.
Enregistrement terminé
Spécification complète
Tout ce qui concerne ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — contexte utile pour évaluer le travail fourni et sa comparaison avec des modèles construits à une échelle différente.
Origine
Qui a construit ce modèle, où et quand il a été publié.
- Organisation
- SenseTime,Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences
- Type d'organisation
- Industry,Academia,Academia
- Pays
- Hong Kong, China
- Publié
- 27 June 2016
- Auteurs
- Shizhan Zhu, Cheng Li, Chen Change Loy, Xiaoou Tang
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut en porter plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Face detection
- Approach
- Supervised
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui détermine s'il tient sur une carte graphique donnée.
- Données d'entraînement
- 20,000 tokens
[images] Table 1
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui décide si l'une des chiffres de carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
project page (no code or weights are released): https://mmlab.ie.cuhk.edu.hk/projects/compositional.html
Comment il est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Confident
https://paperswithcode.com/sota/face-alignment-on-aflw-19
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Unconstrained Face Alignment via Cascaded Compositional Learning
- Dernière mise à jour
- 28 November 2025
Ce que signifient les chiffres
Where it came from
CCL was published by SenseTime,Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences, in Hong Kong, in June 2016. It comes out of industry,Academia,Academia.
It works in Vision, and is recorded as doing face detection.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Ce qui a contribué à sa construction
The training set ran to roughly 20,000 tokens.
It is tracked in the underlying dataset for one reason in particular: sOTA improvement.
Réponses
CCL — Questions fréquentes
Is CCL open source?
No. CCL has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does CCL have?
Aucun compte de paramètres n'a été publié pour CCL, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
Who created CCL?
CCL was published by SenseTime,Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences, based in Hong Kong, categorised as industry,Academia,Academia.
When was CCL released?
CCL was published in June 2016. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is CCL used for?
CCL works in Vision, and is recorded as handling face detection. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run CCL?
None. CCL is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Dans l'autre sens
Regardez-la de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez connaître tout ce qu'elle pourra exécuter, commencez plutôt par le matériel.