SVM for face detection

Pesi chiusi Massachusetts Institute of Technology (MIT) June 1997

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
Massachusetts Institute of Technology (MIT)
Tipo di organizzazione
Academia
Paese
United States of America
Pubblicato
17 June 1997
Autori
E. Osuna, R. Freund, F. Girosi

Cosa fa

Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.

Dominio
Vision
Compito
Object detection

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
50,000 tokens

Section 1: "The problem that we have to solve involves training a classifier to discriminate between face and non-face patterns, using a data set of 50,000points. "

Come è classificato

Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.

Citazioni
3,851

Fonti

Da dove proviene questo record e quando è stato controllato l'ultima volta.

Riferimento
Training Support Vector Machines: An Application to Face Detection
Ultimo aggiornamento
28 November 2025

Cosa significano i numeri

Cosa è questo modello

SVM for face detection è stato pubblicato da Massachusetts Institute of Technology (MIT), nel paese registrato come United States of America, durante June 1997. La categoria sotto cui rientra l'editore è academia.

Funziona nel dominio di Vision, ed è registrato come eseguire il compito di object 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 50,000 token di testo

Risposte

SVM for face detection — domande comuni

01

SVM for face detection— 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.

02

SVM for face detection— 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.

03

SVM for face detection— 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.

04

SVM for face detection— chi l'ha creato?

È stato pubblicato da Massachusetts Institute of Technology (MIT), basato su United States of America, un'organizzazione categorizzata come academia.

05

SVM for face detection— quando è stato rilasciato?

È stato pubblicato in June 1997. 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.

06

SVM for face detection— A cosa serve?

Funziona nel dominio di Vision, e viene registrato come gestire il compito di object detection. 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.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 28 November 2025

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.