Domain Adaptation
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
- University of Maryland
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 6 November 2011
- Auteurs
- Raghuraman Gopalan, Ruonan Li, Rama Chellappa
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Object recognition
- Approche
- Supervised
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
- 15.3K
- Données d'entraînement
- 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'
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.
- Citations
- 1,071
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Domain Adaptation for Object Recognition: An Unsupervised Approach
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
Domain Adaptation a été publié par University of Maryland, dans le pays enregistré comme United States of America, durant November 2011. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de object recognition.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Entraînement et provenance
Il a été entraîné sur un corpus d'environ 2,790 jetons de texte
Réponses
Domain Adaptation — questions courantes
Domain Adaptation— quand a-t-il été publié ?
Il a été publié dans November 2011. 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.
Domain Adaptation— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de object recognition. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
Domain Adaptation— 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.
Domain Adaptation— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
Domain Adaptation— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres 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). 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.
Domain Adaptation— qui l'a créé ?
Il a été publié par University of Maryland, basé sur United States of America, une organisation catégorisée comme academia.
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.