Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Reducing Line Loss01:18

Reducing Line Loss

In a three-phase circuit, line loss is an indicator of energy dissipated as heat due to the resistance of transmission lines. To address this, incorporating transformers into the system—a step-up transformer at the source and a step-down transformer at the load—is a strategic solution. Two three-phase transformers are introduced to improve this.
With a step-up transformer at the source, the voltage is increased, thereby reducing the current in the transmission lines since power loss in...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Using Nanoindentation to Characterize the Mechanical and Creep Properties of Shale: Load and Loading Strain Rate Effects.

ACS omega·2022
Same author

Different Hemodynamic Characteristics and Resulting in Different Risks of Rupture Between Wide-Neck and Narrow-Neck Aneurysms.

Frontiers in neurology·2022
Same author

Interplay between quantum anomalous Hall effect and magnetic skyrmions.

Proceedings of the National Academy of Sciences of the United States of America·2022
Same author

The Ag-promoted α-C-H arylation of alcohols.

RSC advances·2022
Same author

Clinicopathological study of gastric schwannoma and review of related literature.

BMC surgery·2022
Same author

[Determination of 44 foodborne stimulants and 6 progestogens in meat by QuEChERS and ultra-performance liquid chromatography-tandem mass spectrometry].

Se pu = Chinese journal of chromatography·2022

Video Experimental Relacionado

Updated: May 12, 2026

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.3K

Optimizador de loros adaptativo no lineal guiado por Bernstein para la segmentación de imágenes murales

Jianfeng Wang1, Jiawei Fan2, Xiaoyan Zhang1

  • 1College of Design, Hanyang University, Ansan 15588, Republic of Korea.

Biomimetics (Basel, Switzerland)
|August 27, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio presenta el optimizador de loros adaptativo no lineal guiado por Bernstein (ANBPO) para mejorar la segmentación de imágenes murales, mejorando la preservación del patrimonio cultural. ANBPO aumenta significativamente la precisión de la segmentación y conserva la información de las características originales.

Palabras clave:
estrategia de aprendizaje adaptativosegmentación de imágenes muralesFactor no linealOptimizador de lorosEstrategia guiada por Bernstein de tercer orden

Más Videos Relacionados

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.9K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

491

Videos de Experimentos Relacionados

Last Updated: May 12, 2026

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.3K
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.9K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

491

Área de la Ciencia:

  • Visión por computadora
  • Inteligencia artificial
  • Conservación del patrimonio cultural

Sus antecedentes:

  • La degradación de las paredes amenaza el patrimonio cultural mundial, lo que requiere técnicas avanzadas de restauración.
  • Los métodos actuales de segmentación de imágenes para la conservación de murales exhiben un rendimiento subóptimo.
  • La segmentación efectiva de la imagen es crucial para la restauración y protección precisa del mural.

Objetivo del estudio:

  • Proponer un método eficiente de segmentación de imágenes murales para superar las limitaciones de las técnicas existentes.
  • Para mejorar el algoritmo de Parrot Optimizer (PO) para una calidad superior de segmentación de imágenes murales.
  • Mejorar la preservación de la información de las características originales en las imágenes murales.

Principales métodos:

  • Desarrolló el Adaptive Nonlinear Bernstein-guided Parrot Optimizer (ANBPO) mediante la integración del aprendizaje adaptativo, un factor no lineal y una estrategia guiada por Bernstein de tercer orden en el Parrot Optimizer (PO).
  • La estrategia de aprendizaje adaptativo mejora la exploración global al considerar las disparidades de información individuales.
  • El factor no lineal y la estrategia orientada por Bernstein de tercer orden mejoran la explotación local y evitan la óptima local.

Principales resultados:

  • ANBPO logró una tasa de victoria del 91,6% en los valores de la función de aptitud frente a los algoritmos de la competencia.
  • ANBPO demostró un rendimiento superior con mejoras del 67,6% (PSNR), del 69,4% (SSIM) y del 69,7% (FSIM).
  • El algoritmo segmentó efectivamente doce imágenes murales, preservando la información de las características originales.

Conclusiones:

  • El algoritmo ANBPO ofrece una solución eficiente y efectiva para la segmentación de imágenes murales.
  • ANBPO mejora significativamente la precisión de la segmentación, que es crucial para la conservación del patrimonio cultural.
  • El método propuesto preserva información de características vitales, ayudando en los esfuerzos de restauración de murales.