CCL
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
- SenseTime,Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences
- Tipo di organizzazione
- Industry,Academia,Academia
- Paese
- Hong Kong, China
- Pubblicato
- 27 June 2016
- Autori
- Shizhan Zhu, Cheng Li, Chen Change Loy, Xiaoou Tang
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] Table 1
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
project page (no code or weights are released): https://mmlab.ie.cuhk.edu.hk/projects/compositional.html
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
- Unconstrained Face Alignment via Cascaded Compositional Learning
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
CCL è stato pubblicato da SenseTime,Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences, nel paese registrato come Hong Kong, durante June 2016. Esce da un'organizzazione categorizzata come industry,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
Il set di addestramento si aggirava attorno a 20,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement.
Risposte
CCL — domande comuni
CCL— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
CCL— 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.
CCL— chi l'ha creato?
È stato pubblicato da SenseTime,Chinese University of Hong Kong (CUHK),Chinese Academy of Sciences, basato su Hong Kong, un'organizzazione categorizzata come industry,Academia,Academia.
CCL— quando è stato rilasciato?
È stato pubblicato in June 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.
CCL— 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.
CCL— 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.
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.