Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Long-patch Base Excision Repair01:02

Long-patch Base Excision Repair

8.0K
Since the discovery of the two BER pathways, there has been a debate about how a cell chooses one pathway over the other and the factors determining this selection. Numerous in vitro experiments have pointed out multiple determinants for the sub-pathway selection. These are:
8.0K
Bacterial Transformation01:33

Bacterial Transformation

59.7K
In 1928, bacteriologist Frederick Griffith worked on a vaccine for pneumonia, which is caused by Streptococcus pneumoniae bacteria. Griffith studied two pneumonia strains in mice: one pathogenic and one non-pathogenic. Only the pathogenic strain killed host mice.
Griffith made an unexpected discovery when he killed the pathogenic strain and mixed its remains with the live, non-pathogenic strain. Not only did the mixture kill host mice, but it also contained living pathogenic bacteria that...
59.7K
Transformation01:26

Transformation

883
Microbial communities are dynamic environments where cell lysis releases free DNA into the surroundings. Other cells can take up this extracellular DNA through a process known as transformation.When a cell incorporates this foreign DNA into its genome, resulting in genetic modification, the process is known as transformation. Cells capable of this process are termed competent. Competence can be natural, as observed in certain bacteria and archaea, or artificially induced in the...
883
Transformers01:26

Transformers

1.8K
A device that transforms voltages from one value to another using induction is called a transformer. A transformer consists of two separate coils, or windings, wrapped around the same soft iron core. However, they are electrically insulated from each other.
The iron core has a substantial relative permeability. Therefore, the magnetic field lines generated due to the current in one winding are almost entirely confined within the core, such that the same magnetic flux permeates each turn of both...
1.8K
Avoidance Learning and Learned Helplessness01:14

Avoidance Learning and Learned Helplessness

2.6K
Avoidance learning and learned helplessness are critical concepts in understanding behavioral responses to negative stimuli.
Avoidance learning occurs when an organism learns that a specific behavior can prevent an unpleasant outcome. For example, a student who receives a bad grade may start studying harder to avoid future poor grades. This behavior persists even when the negative outcome is no longer present. Avoidance learning is powerful because it maintains behavior in the absence of the...
2.6K
Behavior of Concrete Under Compressive Load01:23

Behavior of Concrete Under Compressive Load

618
Concrete exhibits specific behaviors under different compressive loads. Understanding this is crucial for understanding its structural integrity. When concrete undergoes uniaxial compression, it tends to develop cracks that run parallel to the direction of the force. These parallel cracks stem from localized tensile stresses that occur perpendicular to the compression direction. Additionally, angled cracks may appear due to the formation of shear planes.
As the concrete specimen fractures under...
618

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Enhancing YOLOv5 for Autonomous Driving: Efficient Attention-Based Object Detection on Edge Devices.

Journal of imaging·2025
Same author

Road-Type Classification with Deep AutoEncoder.

Computational intelligence and neuroscience·2023
Same author

Automatic Dynamic Range Adjustment for Pedestrian Detection in Thermal (Infrared) Surveillance Videos.

Sensors (Basel, Switzerland)·2022
Same author

Spatio-Temporal Scale Coded Bag-of-Words.

Sensors (Basel, Switzerland)·2020
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

Video Experimental Relacionado

Updated: Jan 28, 2026

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.3K

Transformer Swin Basado en Parches con Hiperprior para Compresión de Imágenes Aprendida

Sibusiso B Buthelezi1, Jules R Tapamo1

  • 1Discipline of Electrical, Electronic and Computer Engineering, University of KwaZulu-Natal, Durban 4041, South Africa.

Journal of imaging
|January 27, 2026
PubMed
Resumen

Este estudio presenta un método híbrido de compresión de imágenes aprendida que utiliza un autoencoder variacional (VAE) basado en CNN y un Swin Transformer. El novedoso enfoque mejora la eficiencia de compresión y la calidad visual al modelar eficazmente las dependencias globales manteniendo la viabilidad computacional.

Palabras clave:
módulo de cuantificación diferenciablemodelado de variables latentesoptimización de distorsión de velocidadswin transformer hyperpriorinferencia variacional

Más Videos Relacionados

Constructing and Visualizing Models using Mime-based Machine-learning Framework
06:19

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

2.4K
Slice Patch Clamp Technique for Analyzing Learning-Induced Plasticity
11:56

Slice Patch Clamp Technique for Analyzing Learning-Induced Plasticity

Published on: November 11, 2017

16.3K

Videos de Experimentos Relacionados

Last Updated: Jan 28, 2026

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.3K
Constructing and Visualizing Models using Mime-based Machine-learning Framework
06:19

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

2.4K
Slice Patch Clamp Technique for Analyzing Learning-Induced Plasticity
11:56

Slice Patch Clamp Technique for Analyzing Learning-Induced Plasticity

Published on: November 11, 2017

16.3K

Área de la Ciencia:

  • Visión por Computadora; Aprendizaje Automático; Procesamiento de Imágenes

Sus antecedentes:

  • Los métodos tradicionales de compresión de imágenes aprendida que utilizan redes neuronales convolucionales (CNN) tienen dificultades para capturar dependencias de largo alcance en representaciones latentes debido a campos receptivos localizados, lo que limita la eficiencia de la compresión.; Los modelos basados completamente en transformadores ofrecen modelado de dependencias globales pero incurren en altos costos computacionales, lo que los hace inadecuados para la compresión de imágenes de alta resolución.

Objetivo del estudio:

  • Desarrollar un marco híbrido de compresión de imágenes aprendida de extremo a extremo que supere las limitaciones de los modelos de entropía existentes.; Modelar eficazmente la información contextual local y global dentro de las restricciones computacionales para mejorar la compresión de imágenes.

Principales métodos:

  • Un marco híbrido que combina un autoencoder variacional (VAE) basado en CNN con un hiperprior de Swin Transformer jerárquico basado en parches.; Utilización de autoatención de ventana desplazada en el Swin Transformer para capturar dependencias locales y globales de manera eficiente.; Integración del modelo de entropía con un módulo de cuantificación diferenciable para la optimización conjunta de extremo a extremo del objetivo de distorsión de velocidad.

Principales resultados:

  • La arquitectura híbrida propuesta logra un rendimiento superior de distorsión de velocidad en conjuntos de datos estándar (Kodak, JPEG AI, CLIC).; Demuestra un rendimiento de compresión mejorado con mayor calidad visual a tasas de bits más bajas en comparación con los hiper-prior de entropía basados en CNN.; El modelo aprende una distribución de probabilidad más precisa de la representación latente, mejorando la estimación de la tasa de bits y permitiendo representaciones latentes más compactas.

Conclusiones:

  • La integración de arquitecturas de transformadores eficientes, como el Swin Transformer, en la compresión de imágenes aprendida es efectiva.; El enfoque híbrido ofrece una solución viable para el modelado de entropía avanzado más allá de los diseños convencionales basados en CNN.; Este trabajo avanza el campo de la compresión de imágenes aprendida al equilibrar el rendimiento y la eficiencia computacional.