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

Classification of Systems-I01:26

Classification of Systems-I

Linearity is a system property characterized by a direct input-output relationship, combining homogeneity and additivity.
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
Associative Learning01:27

Associative Learning

Associative learning is a fundamental concept in behavioral psychology, wherein a connection is established between two stimuli or events, leading to a learned response. This process is critical in understanding how behaviors are acquired and modified. Conditioning, the mechanism through which associations are formed, can be divided into two main types: classical conditioning and operant conditioning, each elucidating different aspects of associative learning.
Classical conditioning, also known...
Generalization, Discrimination, and Extinction01:24

Generalization, Discrimination, and Extinction

Generalization, discrimination, and extinction are key concepts in operant conditioning that influence how behaviors are learned and maintained.
Generalization occurs when a behavior reinforced in one context is performed in similar situations. For instance, a student who studies diligently for calculus and receives excellent grades might apply the same study habits to psychology and history, expecting similar results. Generalization shows how learning in one setting can influence behavior in...
Automatic Processing and Automatic Social Behavior01:28

Automatic Processing and Automatic Social Behavior

Automatic processing refers to the cognitive operations that occur without conscious intent or awareness, playing a fundamental role in shaping social cognition and behavior. These processes enable individuals to navigate complex social environments efficiently by relying on mental shortcuts and pre-existing knowledge structures known as schemas. One of the most influential mechanisms underlying automatic processing is priming, which subtly activates mental representations through exposure to...

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Lightweight Temporal-Frequency Perception Sparse State Space Models for Unified Image Restoration.

IEEE transactions on image processing : a publication of the IEEE Signal Processing Society·2026
Same author

The Effects of Adverse Childhood Experiences on Adult Mental Health Across Gender, Race/Ethnicity, and Economic Status in the United States: A Systematic Review and Meta-Analysis.

Trauma, violence & abuse·2026
Same author

Response to letter to the editor regarding "electrophysiological monitoring of the trigeminal nerve sensory root using sensory-masseter response for microvascular decompression in trigeminal neuralgia".

Acta neurochirurgica·2026
Same author

Nanostructured Low-k Dielectrics via Hybrid Phase Separation for Flexible RF Communications.

Nano letters·2026
Same author

Boosting Photocatalytic CO<sub>2</sub> Cycloaddition via Dual-Active Site Coordination over Amino-Functionalized UiO-66(Zr).

Molecules (Basel, Switzerland)·2026
Same author

Cooperation and the evolution of bacterial niche breadth.

Proceedings of the National Academy of Sciences of the United States of America·2026

Video Experimental Relacionado

Updated: Jul 14, 2026

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

8.6K

Detección de objetos adaptativa de dominio no supervisada mediante aprendizaje de consistencia semántica y compacidad

Yajing Liu, Zhen Zhang, Yiming Su

    IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
    |February 19, 2026
    PubMed
    Resumen

    Este estudio presenta una nueva red de Aprendizaje de Consistencia Semántica y Compacidad (SCCL) para la detección de objetos adaptativa de dominio no supervisada. SCCL mejora la consistencia de las características y la compacidad de las categorías, mejorando la robustez del modelo sin anotaciones del dominio de destino.

    Palabras clave:
    detección de objetosaprendizaje no supervisadoadaptación de dominioaprendizaje de consistencia semánticaaprendizaje de compacidadvisión por computadorainteligencia artificialaprendizaje automático

    Más Videos Relacionados

    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

    1.3K

    Videos de Experimentos Relacionados

    Last Updated: Jul 14, 2026

    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

    8.6K
    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

    1.3K

    Área de la Ciencia:

    • Ciencias de la Computación
    • Inteligencia Artificial
    • Aprendizaje Automático

    Sus antecedentes:

    • La detección de objetos adaptativa de dominio no supervisada tiene como objetivo mejorar la robustez del modelo en nuevos dominios sin datos etiquetados.
    • Los métodos existentes tienen dificultades con la consistencia holística de las características y la compacidad confiable de las características de las categorías.
    • Los desafíos incluyen la coincidencia ineficiente de estilos, la discrepancia semántica, la mala calidad de las muestras y el aprendizaje contrastivo ruidoso.

    Objetivo del estudio:

    • Proponer una nueva red de Aprendizaje de Consistencia Semántica y Compacidad (SCCL).
    • Abordar las limitaciones del aprendizaje de consistencia insuficiente/ineficaz y el aprendizaje de compacidad poco fiable en la adaptación de dominio no supervisada.
    • Mejorar la transferibilidad y la discriminación de características para una detección de objetos robusta.

    Principales métodos:

    • Se introdujo un módulo de Alineación Semántica Guiada por Adaptación Visual (VSA) para un aprendizaje de consistencia de características eficiente a través de la adaptación de características y el desentrelazamiento de características autosupervisadas sin adversarios.
    • Se desarrolló una cabeza de Contraste de Centro de Instancia (ICC) conectable para abordar el aprendizaje de compacidad poco fiable mejorando la calidad de las pseudoetiquetas, mejorando el almacenamiento/actualización de muestras y refinando el paradigma de contraste.
    • Se aprovechó el refuerzo mutuo entre VSA e ICC.

    Principales resultados:

    • La red SCCL propuesta demostró una adaptabilidad y robustez superiores en la detección de objetos adaptativa de dominio no supervisada.
    • Se lograron mejoras significativas en cuatro conjuntos de datos de referencia.
    • Los módulos VSA e ICC mejoraron eficazmente la transferibilidad y la discriminación de características.

    Conclusiones:

    • La red SCCL supera eficazmente los desafíos clave en la detección de objetos adaptativa de dominio no supervisada.
    • Los módulos VSA e ICC proporcionan un marco robusto para aprender la consistencia y compacidad de las características.
    • SCCL ofrece un enfoque prometedor para mejorar la robustez del modelo en diversos dominios de destino.