La presente investigación tuvo como propósito central evaluar la insatisfacción por la imagen corporal y su relación con la baja autoestima por la apariencia física en estudiantes de la Facultad de Medicina de La Universidad de Los Andes en Mérida Venezuela. El estudio fue de tipo no experimental correlacional. La muestra estuvo constituida por 189 estudiantes, 27% masculino y 73% femenino, con una edad promedio de 19,58 años ±1,57 (varones 19,81 años ± 1,74 y para las mujeres 20,24 años ± 1,76). Los participantes fueron seleccionados de los cursos del primer año de las carreras de: Medicina, Enfermería y Nutrición, los cuales fueron seleccionados de forma intencional. El instrumento empleado para determinar la Insatisfacción por la Imagen Corporal fue el Body Shape Questionnaire (Cooper y Taylor,  1987).  El método de Graffar Modificado fue utilizado para determinar el estrato socioeconómico de los participantes (Méndez y Méndez,  1994). A los datos se les aplicó el análisis descriptivo (frecuencia, porcentajes, media) e inferencial (ANOVA  de un solo factor a  través del  paquete estadístico SPSS versión 9.0). Entre los principales hallazgos en el estudio se pudo determinar una asociación estadísticamente significativa entre la insatisfacción con la imagen corporal, la baja autoestima por la apariencia física con el género χ2  (2, N= 189) = 9,686, p=0,008. A través de ANOVA se pudo determinar que las diferencias en las medias para los niveles de insatisfacción y baja autoestima con  la imagen corporal y el género son estadísticamente significativas, F=11,236; p=0,008, F=10,23; p=0,002 respectivamente. Conclusiones: los resultados obtenidos permiten sugerir sobre la relación que existe entre la insatisfacción y la baja autoestima por la apariencia física, existiendo un rechazo por la propia imagen corporal causada por la percepción distorsionada o no de la misma, lo que podría afectar la autoestima por la apariencia física.

The authors propose a video-summarisation method based on visual and categorical diversities using pre-trained deep visual and categorical models. Their method extracts visual and categorical features from a pre-trained deep convolutional network (DCN) and a pre-trained word-embedding matrix. Using visual and categorical information they obtain a video diversity estimation, which is used as an importance score to select segments from the input video that best describes it. Their method also allows performing queries during the search process, in this way personalising the resulting video summaries according to the particular intended purposes. The performance of the method is evaluated using different pre-trained DCN models in order to select the architecture with the best throughput. They then compare it with other state-of-the-art proposals in video summarisation using a data-driven approach with the public dataset SumMe, which contains annotated videos with perfragment importance. The results show that their method outperforms other proposals in most of the examples. As an additional advantage, their method requires a simple and direct implementation that does not require a training stage.

No abstract

La fusión de imágenes genera una imagen  que combina las características más relevantes de un conjunto de imágenes de la misma escena adquiridas con diferentes cámaras o configuraciones. La Fusión de Imágenes Multifoco (MFIF) parte de un conjunto de imágenes con diferente distancia focal para generar una imagen  con una profundidad de campo extendida. Lo que constituye una solución al problema de la profundidad de campo limitada en la configuración de un sistema óptico. La literatura muestra una amplia variedad de trabajos que abordan este problema. Las transformaciones de dominios y el análisis de bloques de píxeles son la base de los principales enfoques propuestos. En este trabajo se presenta una evaluación de diferentes sistemas de aprendizaje supervisado aplicados a MFIF, incluyendo k-vecinos más cercanos, análisis discriminante lineal, redes neuronales y máquinas de soporte vectorial. El método inicia con dos imágenes de la misma escena, pero con diferentes distancias focales que se dividen en regiones rectangulares. El objetivo principal del sistema de clasificación, que está basado en aprendizaje de máquina, es elegir las partes de ambas imágenes que deben estar en la imagen fusionada para obtener una imagen completamente enfocada. Para la cuantificación del enfoque se utilizaron las métricas más populares propuestas en la literatura como: la Energía Laplaciana, el Laplaciano Modificado por Suma y el Gradiente de Energía, entre otras. La evaluación del método propuesto incluye la fase de prueba de los clasificadores y las métricas de calidad de fusión utilizadas comúnmente en la investigación, tales como la fidelidad de la información visual y la característica de información mutua. Los resultados muestran que el concepto de clasificación automática puede abordar satisfactoriamente el problema MFIF.