Unsupervised Scale-Invariant Learning
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 Oxford
- Organisatietype
- Academia
- Land
- United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 18 June 2003
- Auteurs
- R Fergus, P Perona, A Zisserman
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Image classification
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
- 0.5K
- Training gegevens
- 400 tokens
See Table 1
See Table 2 and Figure 1. There are 7 datasets, each with 200-800 of pictures. I pick 500 as the avg number of pictures
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
- 2,970
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Object Class Recognition by Unsupervised Scale-Invariant Learning
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
Unsupervised Scale-Invariant Learning werd gepubliceerd door University of Oxford, in het land geregistreerd als United Kingdom of Great Britain and Northern Ireland, tijdens June 2003. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image classification.
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
De trainingsset liep naar ongeveer 400 tekstokens
Antwoorden
Unsupervised Scale-Invariant Learning — veelgestelde vragen
Unsupervised Scale-Invariant Learning— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification. 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.
Unsupervised Scale-Invariant Learning— 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.
Unsupervised Scale-Invariant Learning— 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.
Unsupervised Scale-Invariant Learning— hoeveel parameters heeft het?
Het heeft een parameter telling van 0.5K. See Table 1. 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.
Unsupervised Scale-Invariant Learning— wie heeft het gemaakt?
Het werd gepubliceerd door University of Oxford, gebaseerd op United Kingdom of Great Britain and Northern Ireland, een organisatie geclassificeerd als academia.
Unsupervised Scale-Invariant Learning— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2003. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
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.