Domain Adaptation
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- University of Maryland
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 6 November 2011
- Auteurs
- Raghuraman Gopalan, Ruonan Li, Rama Chellappa
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Object recognition
- Aanpak
- Supervised
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 15.3K
- Training gegevens
- 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'
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Citaties
- 1,071
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Domain Adaptation for Object Recognition: An Unsupervised Approach
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
Domain Adaptation werd gepubliceerd door University of Maryland, in het land geregistreerd als United States of America, tijdens November 2011. De categorie waaronder de uitgever valt is academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van object recognition.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Training en herkomst
Het is getraind op een corpus van ongeveer 2,790 tekstokens
Antwoorden
Domain Adaptation — veelgestelde vragen
Domain Adaptation— wanneer is het uitgebracht?
Het werd gepubliceerd in November 2011. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Domain Adaptation— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van object recognition. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
Domain Adaptation— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
Domain Adaptation— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
Domain Adaptation— hoeveel parameters heeft het?
Het heeft een parameter telling van 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). Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
Domain Adaptation— wie heeft het gemaakt?
Het werd gepubliceerd door University of Maryland, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.