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

Causes of Similarity-Dissimilarity Effect01:26

Causes of Similarity-Dissimilarity Effect

236
The similarity-dissimilarity effect, a fundamental concept in social psychology, explains how interpersonal similarities and differences influence attraction and social interactions. This effect is supported by three key psychological perspectives: balance theory, social comparison theory, and consensual validation.Balance Theory and Cognitive ConsistencyBalance theory, developed by Fritz Heider, posits that individuals seek cognitive consistency in their relationships. When two people share...
236

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Learning Shape Anchors for Holistic Indoor Scene Understanding.

IEEE transactions on pattern analysis and machine intelligence·2026
Same author

Flexibility-driven design of etoposide derivatives targeting Daam1: a thermodynamics-guided strategy against breast cancer metastasis.

Journal of computer-aided molecular design·2026
Same author

Study on the Structure and Antioxidant Properties of Seamless Knitted Fabrics with Antioxidant Fibers.

Materials (Basel, Switzerland)·2025
Same author

Controlled release of bittern-loaded water-in-water emulsion as a novel strategy to regulate the gelation properties of tofu.

Food research international (Ottawa, Ont.)·2025
Same author

Fast and Interpretable 2D Homography Decomposition: Similarity-Kernel-Similarity and Affine-Core-Affine Transformations.

IEEE transactions on pattern analysis and machine intelligence·2025
Same author

Extracting Systemic Anticancer Therapy and Response Information From Clinical Notes Following the RECIST Definition.

JCO clinical cancer informatics·2024

Video Experimental Relacionado

Updated: Jan 8, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

991

MESA: Reducción efectiva de la redundancia de emparejamiento mediante segmentación de áreas semánticas

Yesheng Zhang, Shuhan Shen, Xu Zhao

    IEEE transactions on pattern analysis and machine intelligence
    |December 15, 2025
    PubMed
    Resumen

    Presentamos MESA y DMESA, métodos novedosos que utilizan el Modelo Segment Anything (SAM) para la correspondencia de áreas semánticas para reducir los cálculos redundantes en la correspondencia de características, mejorando la precisión y la eficiencia.

    Palabras clave:
    correspondencia de característicasreducción de redundanciasegmentación semánticavisión por computadoraaprendizaje automático

    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

    3.3K
    Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
    08:25

    Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

    Published on: May 7, 2019

    9.5K

    Videos de Experimentos Relacionados

    Last Updated: Jan 8, 2026

    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
    03:31

    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

    Published on: December 15, 2023

    991
    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

    3.3K
    Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
    08:25

    Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

    Published on: May 7, 2019

    9.5K

    Área de la Ciencia:

    • Visión por Computadora
    • Inteligencia Artificial
    • Procesamiento de Imágenes

    Sus antecedentes:

    • La redundancia de correspondencia en la correspondencia de características conduce a cálculos imprecisos y a una menor precisión.
    • Los enfoques actuales tienen dificultades con la comparación de características detallada entre áreas de imagen irrelevantes.

    Objetivo del estudio:

    • Reducir la redundancia de correspondencia y mejorar la precisión y eficiencia de la correspondencia de características.
    • Aprovechar la correspondencia de áreas semánticas antes de la correspondencia de puntos.

    Principales métodos:

    • Proponer MESA (dispersa) y DMESA (densa) utilizando el Modelo Segment Anything (SAM) para la identificación de áreas semánticas.
    • Desarrollar un Gráfico de Área (AG) para la extracción de áreas candidatas.
    • MESA utiliza minimización de energía de gráficos; DMESA utiliza distribuciones de correspondencia densa (Modelo de Mezcla Gaussiana, Expectation Maximization) para la eficiencia.

    Principales resultados:

    • DMESA logra una mejora de velocidad de casi cinco veces sobre MESA con una precisión competitiva.
    • Ambos métodos muestran mejoras notables de precisión para nueve puntos de referencia de correspondencia en diversos conjuntos de datos.
    • Demostró generalización y mejoró la robustez contra variaciones en la resolución de imágenes.

    Conclusiones:

    • MESA y DMESA reducen eficazmente la redundancia de correspondencia a través de la correspondencia de áreas semánticas.
    • Estos métodos ofrecen mejoras significativas en la precisión y eficiencia de la correspondencia de características.
    • Los enfoques propuestos muestran un gran potencial para aplicaciones del mundo real que requieren una correspondencia de imágenes robusta.