Monocular Depth Prediction
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Stanford University
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 5 December 2005
- Autorzy
- Ashutosh Saxena, Sung H. Chung, and Andrew Y. Ng
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Miscellaneous image analysis
- Podejście
- Supervised
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 1.5M
- Dane treningowe
- 2,933,137 tokens
"In detail, we use different parameters (θr, σ1r, σ2r) for each row in the image, because the images we consider are taken from a horizontally mounted camera, and thus different rows of the image have different statistical properties." "We collected a total of 425 image+depthmap pairs, with an image resolution of 1704x2272 and a depthmap resolution of 86x107" The dimensionality of each parameter set isn't totally clear, but from equation (1) it seems like θ is the same length as the absolute de…
"We collected a total of 425 image+depthmap pairs, with an image resolution of 1704x2272 and a depthmap resolution of 86x107. In the experimental results reported here, 75% of the images/depthmaps were used for training, and the remaining 25% for hold-out testing" It seems like they do predictions over the dense values in the depthmap, so 86 * 107 * 425 * 0.75 = 2,933,137
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Speculative
- Cytaty
- 1,417
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Learning Depth from Single Monocular Images
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
Monocular Depth Prediction został opublikowany przez Stanford University, w kraju zapisanym jako United States of America, podczas December 2005. Kategoria, do której należy wydawca, to academia.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie miscellaneous image analysis.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Jak to zostało wytrenowane
Został wytrenowany na korpusie około 2,933,137 Tokeny tekstu.
Odpowiedzi
Monocular Depth Prediction — częste pytania
Monocular Depth Prediction— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
Monocular Depth Prediction— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Monocular Depth Prediction— ile ma parametrów?
Ma liczbę parametrów równą 1.5M. "In detail, we use different parameters (θr, σ1r, σ2r) for each row in the image, because the images we consider are taken from a horizontally mounted camera, and thus different rows of the image have different statistical properties." "We collected a total of 425 image+depthmap pairs, with an image resolution of 1704x2272 and a depthmap resolution of 86x107" The dimensionality of each parameter set isn't totally clear, but from equation (1) it seems like θ is the same length as the absolute depth input features (646) and σ1 and σ2 are scalar. If so, then we should have: 2272 * (646 + 1 + 1) = 1,472,256 parameters. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
Monocular Depth Prediction— kto to stworzył?
Zostało opublikowane przez Stanford University, oparty na United States of America, organizacja sklasyfikowana jako academia.
Monocular Depth Prediction— kiedy to zostało wydane?
Zostało opublikowane w December 2005. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Monocular Depth Prediction— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie miscellaneous image analysis. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.