Domain Adaptation
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 Maryland
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 6 November 2011
- Autori
- Raghuraman Gopalan, Ruonan Li, Rama Chellappa
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Object recognition
- 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.
- parametri
- 15.3K
- Dati di addestramento
- 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'
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Citazioni
- 1,071
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Domain Adaptation for Object Recognition: An Unsupervised Approach
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
Domain Adaptation è stato pubblicato da University of Maryland, nel paese registrato come United States of America, durante November 2011. La categoria sotto cui rientra l'editore è academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di object recognition.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
È stato addestrato su un corpus di circa 2,790 token di testo
Risposte
Domain Adaptation — domande comuni
Domain Adaptation— quando è stato rilasciato?
È stato pubblicato in November 2011. 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.
Domain Adaptation— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di object recognition. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
Domain Adaptation— 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.
Domain Adaptation— 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.
Domain Adaptation— quanti parametri ha?
Ha un numero di parametri di 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). Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
Domain Adaptation— chi l'ha creato?
È stato pubblicato da University of Maryland, basato su United States of America, un'organizzazione categorizzata come academia.
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.