DeepLab (2017)
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Johns Hopkins University,Google,University College London (UCL)
- Szervezet típusa
- Academia,Industry,Academia
- Ország
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Közölt
- 27 April 2017
- Szerzők
- Liang-Chieh Chen, George Papandreou, Iasonas Kokkinos, Kevin Murphy, Alan L. Yuille
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Image segmentation
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Képzési adatok
- 26,455,000 tokens
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- Highly cited
- Nyilvántartási bizalom
- Unknown
- Hivatkozások
- 20,019
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
- Utoljára frissítve
- 11 February 2026
Mit jelentenek a számok
Háttér
DeepLab (2017) ki lett adva által Johns Hopkins University,Google,University College London (UCL), az országban rögzítve mint United States of America, alatt April 2017. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Industry,Academia.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image segmentation.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Hogyan lett betanítva
A képzés körülbelül egy korpuszt fogyasztott 26,455,000 szöveg tokenjei
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: highly cited.
Válaszok
DeepLab (2017) — gyakori kérdések
DeepLab (2017)— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
DeepLab (2017)— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
DeepLab (2017)— Ki készítette ezt?
Kiadta Johns Hopkins University,Google,University College London (UCL), alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Industry,Academia.
DeepLab (2017)— Mikor adták ki?
Kibocsátották a April 2017. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
DeepLab (2017)— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image segmentation. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
DeepLab (2017)— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..