CRF-RNN
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
- University of Oxford,Stanford University,Baidu
- Tipo di organizzazione
- Academia,Academia,Industry
- Paese
- United Kingdom of Great Britain and Northern Ireland, United States of America, China
- Pubblicato
- 11 February 2015
- Autori
- Shuai Zheng, Sadeep Jayasumana, Bernardino Romera-Paredes, Vibhav Vineet, Zhizhong Su, Dalong Du, Chang Huang, Philip H. S. Torr
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image segmentation
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
- tokens
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Unknown
- Citazioni
- 2,661
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Conditional Random Fields as Recurrent Neural Networks
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
CRF-RNN è stato pubblicato da University of Oxford,Stanford University,Baidu, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante February 2015. La categoria sotto cui rientra l'editore è academia,Academia,Industry.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image segmentation.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Risposte
CRF-RNN — domande comuni
CRF-RNN— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image segmentation. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
CRF-RNN— 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.
CRF-RNN— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
CRF-RNN— 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.
CRF-RNN— chi l'ha creato?
È stato pubblicato da University of Oxford,Stanford University,Baidu, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come academia,Academia,Industry.
CRF-RNN— quando è stato rilasciato?
È stato pubblicato in February 2015. 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.
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.