CMS-RCNN
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- IEEE
- Type d'organisation
- Industry
- Pays
- Multinational
- Publié
- 17 June 2016
- Auteurs
- Chenchen Zhu, Yutong Zheng, Khoa Luu, M. Savvides
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Face detection
- Approche
- Supervised
- Modèle de base
- VGG16
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 138M
- Données d'entraînement
- tokens
Based on VGG16 architecture, actual parameter count is slightly larger since the model contains some small added layers which are not described in detail.
159,424 annotated faces collected in 12,880 images
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Likely
https://paperswithcode.com/sota/face-detection-on-wider-face-medium "The experimental results show that our proposed approach trained on WIDER FACE Dataset outperforms strong baselines on WIDER FACE Dataset by a large margin, and consistently achieves competitive results on FDDB against the recent state-of-the-art face detection methods."
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- CMS-RCNN: Contextual Multi-Scale Region-based CNN for Unconstrained Face Detection
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
CMS-RCNN a été publié par IEEE, dans le pays enregistré comme Multinational, durant June 2016. L'organisation de publication est catégorisée comme industry.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de face detection.
Plutôt que d'être entraîné depuis le début, il est dérivé de VGG16. C'est la façon habituelle de produire un modèle spécialisé.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Entraînement et provenance
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : sOTA improvement.
Réponses
CMS-RCNN — questions courantes
CMS-RCNN— qui l'a créé ?
Il a été publié par IEEE, basé sur Multinational, une organisation catégorisée comme industry.
CMS-RCNN— quand a-t-il été publié ?
Il a été publié dans June 2016. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
CMS-RCNN— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de face detection. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
CMS-RCNN— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
CMS-RCNN— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
CMS-RCNN— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 138M. Based on VGG16 architecture, actual parameter count is slightly larger since the model contains some small added layers which are not described in detail. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.