利用Caco-2细胞吸收模型研究人参皂苷Compound K及脂肪酸酯衍生物的跨膜转运机制，朱雪梅，张兵，人参皂苷Compound K（CK）具有显著生理活性，然而其分子结构具有较强的亲水性导致其生物利用率低。通过合成CK脂肪酸酯如CK丁酸脂（CK-B�

水热制备Tb2(MoO4)3:Eu3+荧光粉：可调发光性能及其能量传递机理，杨骏，周磊，稀土钼酸盐是一类重要的发光基质材料，同时具备优良的光电磁等性能且传统的制备这类材料的方法都是高温固相法，这种方法能耗较高

伊顿试剂催化合成4-喹啉酮苯胺衍生物的机理，刘天瑜，乔园园，因为4-喹啉酮衍生物具有有效的抗菌活性，人们广泛使用伊顿试剂催化合成4-喹啉酮衍生物，但该反应的机理目前仍有争议。本文使用密�

钯催化的芳香族氯化物氢化脱氯及其反应机理，张晨，李晓燕，本文在dppf和二甲基甲酰胺存在下，以钯为催化剂成功地实现了氯代芳烃的氢化脱氯。以一系列氯代芳烃的取代物为底物，研究了电子效�

混凝土高温爆裂机理及纤维改善混凝土高温爆裂的措施研究，杨娟，朋改非，本文概括总结了混凝土高温下的爆裂机理（蒸汽压机理及热应力机理）和纤维改善混凝土高温爆裂性能的措施。蒸汽压机理认为混凝土致

三自由度matlab代码三角洲机制 在这个研究项目中，我们的目标是构建一个带有 Delta 平台的移动机械手，它在 XYZ 方向上有 3 个自由度。 该演示机制。 该存储库包括 Delta 平台的运动学和控制实现。 详细的理论分析包含在 . Delta MATLAB 代码 有一个自包含的 Delta 平台的 MATLAB 库。 该代码用于计算运动学并绘制给定机构参数的工作空间。 Delta C 代码 是 MATLAB 库的 C 版本。 C 库用于微控制器的实时控制。 编码器 有 C 函数来读取项目中应用的编码器。 系统中使用了两种旋转编码器。 三个12位编码器用于测量云台角度，六个23位编码器用于测量扭簧角度。 系统演示 由于我们还没有电机控制器，所以用三个直流有刷电机和四个NU32微控制器对该平台的整个控制系统进行了演示，以对该系统进行仿真。

学习丰富的功能以进行真实图像还原和增强（ECCV 2020） ， ， ， ， ， 和 论文： : 补充文件： 视频演示： : 摘要：为了从降级版本中恢复高质量图像内容，图像恢复在监视，计算摄影，医学成像和遥感等领域拥有众多应用。 最近，卷积神经网络（CNN）与传统的图像恢复任务方法相比取得了巨大的进步。 现有的基于CNN的方法通常以全分辨率或渐进式低分辨率表示形式运行。 在前一种情况下，获得了空间精确但上下文上不那么健壮的结果，而在后一种情况下，生成了语义上可靠但空间上不太准确的输出。 在本文中，我们提出了一种新颖的体系结构，其总体目标是通过整个网络维护空间精确的高分辨率表示，并从低分辨率表示接收强大的上下文信息。 我们方法的核心是包含几个关键元素的多尺度残差块：（a）并行多分辨率卷积流，用于提取多尺度特征；（b）跨多分辨率流的信息交换；（c）空间和渠道关注机

pytorch图注意网络 这是Veličković等人提出的图注意力网络（GAT）模型的火炬实施。 （2017， ）。 回购协议最初是从分叉的。 有关GAT（Tensorflow）的官方存储库，请访问 。 因此，如果您在研究中利用pyGAT模型，请引用以下内容： @article{ velickovic2018graph, title="{Graph Attention Networks}", author={Veli{\v{c}}kovi{\'{c}}, Petar and Cucurull, Guillem and Casanova, Arantxa and Romero, Adriana and Li{\`{o}}, Pietro and Bengio, Yoshua}, journal={International Conference on Learning

CA-Net：用于可解释医学图像分割的综合注意力卷积神经网络 该存储库提供“ CA-Net：可解释医学图像分割的综合注意力卷积神经网络”的代码。 现在可以在上我们的工作。 接受了我们的工作。 图1. CA-Net的结构。 图2.皮肤病变分割。 图3.胎盘和胎脑分割。 要求条件 一些重要的必需软件包包括： 版本> = 0.4.1。 智慧 Python == 3.7 一些基本的python软件包，例如Numpy。 按照官方的指导安装 。 用法 用于皮肤病变分割 首先，您可以在下载数据集。 我们仅使用了ISIC 2018 task1训练数据集，要对数据集进行预处理并另存为“ .npy”，请运行： python isic_preprocess.py 为了进行5倍交叉验证，请将预处理数据分成5倍并保存其文件名。 跑步： python create_folder.py 要在ISI

TimeSformer-Pytorch 实现，是一种基于关注点的纯净，简单的解决方案，可以在视频分类上达到SOTA。 该存储库将仅存储性能最佳的变体“时空分散注意力”，无非就是沿空间之前的时间轴的注意力。 安装 $ pip install timesformer-pytorch 用法 import torch from timesformer_pytorch import TimeSformer model = TimeSformer ( dim = 512 , image_size = 224 , patch_size = 16 , num_frames = 8 , num_classes = 10 , depth = 12 , heads = 8 , dim_head = 64 , attn_dropout =