CompACT-Deep
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- University of California San Diego
- Organisatie type
- Academia
- Land
- United States of America
- Gepubliceerd
- 19 July 2015
- Auteurs
- Zhaowei Cai, M. Saberian, N. Vasconcelos
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Vision
- Taak
- Object detection
- Approach
- Supervised
- Base model
- AlexNet,VGG16
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Opleidingsgegevens
- tokens
From the paper: For Caltech, we used the training set size of [21] [21] is https://arxiv.org/pdf/1406.1134. From that paper: For the following experiments, we rely solely on the training set of the Caltech Pedestrian Dataset [10]. Of the 71 minute long training videos (∼128k images), we use every fourth video as validation data and the rest for training. 128k * 3/4 = 96k
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het net trok.
- Trainingshardware
- NVIDIA Tesla K40m
- Chips used
- 1
- Energieverbruik
- 286 W
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Model toegang
- Unreleased
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- SOTA improvement
- Vereiste vertrouwen
- Confident
https://paperswithcode.com/sota/pedestrian-detection-on-caltech "This enables state of the art performance on the Caltech and KITTI datasets, at fairly fast speeds."
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- Learning Complexity-Aware Cascades for Deep Pedestrian Detection
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
CompACT-Deep was published by University of California San Diego, in United States of America, in July 2015. The organisation is categorised as academia.
It works in Vision, and is recorded as doing object detection.
It is derived from AlexNet,VGG16 rather than trained from scratch, which is the usual way a specialised model is produced.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Wat erin is gestopt om het te bouwen
The reason it appears in this catalogue at all is sOTA improvement.
Antwoorden
CompACT-Deep — Veelgestelde vragen
Who created CompACT-Deep?
CompACT-Deep was published by University of California San Diego, based in United States of America, categorised as academia.
When was CompACT-Deep released?
CompACT-Deep was published in July 2015. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is CompACT-Deep used for?
CompACT-Deep works in Vision, and is recorded as handling object detection. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run CompACT-Deep?
None. CompACT-Deep is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is CompACT-Deep open source?
No. CompACT-Deep has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does CompACT-Deep have?
No parameter count has been published for CompACT-Deep, which is why no memory or speed figure appears on this page.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.