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

Video Experimental Relacionado

Updated: Feb 26, 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

1.1K

Detección Unificada de Anomalías mediante Memoria Contrastada Multi-escala

Loic Jezequel, Jean Beaudet, Aymeric Histace

    IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
    |February 24, 2026
    PubMed
    Resumen

    Este estudio presenta un novedoso método profundo de detección de anomalías en dos etapas que utiliza prototipos normales multiescala. Logra un rendimiento superior en entornos no supervisados y de imbalanced supervised settings, abordando las limitaciones de los modelos actuales.

    Videos de Conceptos Relacionados

    Difference from Background: Limit of Detection01:05

    Difference from Background: Limit of Detection

    8.6K
    The limit of detection (LOD) is the smallest amount of analyte that can be distinguished from the background noise. The LOD value corresponds to the concentration at which the analyte signal is three times larger than the standard deviation of the blank signal. Below this value, the analyte signal cannot be differentiated from the background noise. It is calculated by dividing the calibration slope by 3 times the standard deviation of the blank signals.
    The LOD indicates the presence or absence...
    8.6K

    También podría leer

    Artículos Relacionados

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

    Ordenar por
    Same author

    Artificial Intelligence Versus Conventional Scoring for Assessing Small Bowel Capsule Endoscopy Cleanliness in Crohn's Disease.

    United European gastroenterology journal·2026
    Same author

    Correction: A complete benchmark for polyp detection, segmentation and classification in colonoscopy images.

    Frontiers in oncology·2026
    Same author

    Application of wings interferential patterns (WIPs) and deep learning (DL) to classify some Culex. spp (Culicidae) of medical or veterinary importance.

    Scientific reports·2025
    Same author

    Toward automated small bowel capsule endoscopy reporting using a summarizing machine learning algorithm: The SUM UP study.

    Clinics and research in hepatology and gastroenterology·2024
    Same author

    A complete benchmark for polyp detection, segmentation and classification in colonoscopy images.

    Frontiers in oncology·2024
    Same author

    An annotated wing interferential pattern dataset of dipteran insects of medical interest for deep learning.

    Scientific data·2024

    Área de la Ciencia:

    • Ciencias de la Computación
    • Inteligencia Artificial
    • Aprendizaje Automático

    Sus antecedentes:

    • Los modelos profundos de detección de anomalías tienen dificultades con las muestras normales de casos límite y las escalas de anomalías variables.
    • Los métodos actuales carecen de un marco unificado tanto para la detección de anomalías no supervisada (UNS) como para la supervisada desequilibrada (IMS).

    Objetivo del estudio:

    • Desarrollar un marco unificado y novedoso para la detección profunda de anomalías que aborde las limitaciones en entornos UNS e IMS.
    • Mejorar la robustez frente a muestras normales de casos límite y mantener el rendimiento en diversas escalas de anomalías.

    Principales métodos:

    • Un método de dos etapas que aprovecha prototipos normales multiescala para la puntuación de la desviación anómala.
    Palabras clave:
    Detección de anomalíasAprendizaje profundoAprendizaje no supervisadoAprendizaje de pocas muestrasPrototipos multiescalaMemoria contrastada

    Videos de Experimentos Relacionados

    Last Updated: Feb 26, 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

    1.1K
  • Aprendizaje contrastivo aumentado con memoria para el aprendizaje conjunto de representaciones y el módulo de memoria multiescala.
  • Un detector basado en la distancia de anomalías que calcula mapas de desviación espaciales utilizando prototipos aprendidos.

    • Principales resultados:

    • Supera a los modelos de vanguardia (SoTA) en diversas anomalías (objeto, estilo, local) y aplicaciones (inspección industrial, protección contra suplantación de identidad facial).
    • Logra un rendimiento comparable al de los detectores de distribución fuera de lo común (out-of-distribution) de SoTA.
    • Demuestra un rendimiento excepcional y consistente en entornos UNS e IMS, algo inédito en el campo.

    Conclusiones:

    • El método propuesto ofrece una solución robusta y unificada para la detección profunda de anomalías en escenarios UNS e IMS.
    • El enfoque de prototipos multiescala captura eficazmente las características de los datos normales y se adapta a la complejidad de las anomalías.
    • Este trabajo avanza las capacidades de detección de anomalías, particularmente para casos límite desafiantes y tipos de anomalías diversos.