DAC-CSR
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Jiangnan University,University of Surrey
- Tipo di organizzazione
- Academia,Academia
- Paese
- China, United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 16 November 2016
- Autori
- Zhen-Hua Feng, Josef Kittler, William Christmas, Patrik Huber, Xiao-Jun Wu
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Face detection
- Approccio
- Supervised
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- 20,000 tokens
[images] AFLW-full splits the 24386 images into 20000/4386 for training/testing.
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Confident
https://paperswithcode.com/sota/face-alignment-on-aflw-19
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Dynamic Attention-controlled Cascaded Shape Regression Exploiting Training Data Augmentation and Fuzzy-set Sample Weighting
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
DAC-CSR è stato pubblicato da Jiangnan University,University of Surrey, nel paese registrato come China, durante November 2016. L'organizzazione di pubblicazione è classificata come academia,Academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di face detection.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Cosa è stato necessario per costruirlo
L'addestramento ha consumato un corpus di circa 20,000 token di testo
Il suo criterio di inclusione: sOTA improvement.
Risposte
DAC-CSR — domande comuni
DAC-CSR— chi l'ha creato?
È stato pubblicato da Jiangnan University,University of Surrey, basato su China, un'organizzazione categorizzata come academia,Academia.
DAC-CSR— quando è stato rilasciato?
È stato pubblicato in November 2016. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
DAC-CSR— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di face detection. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
DAC-CSR— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
DAC-CSR— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
DAC-CSR— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.