自学视频教程

光子筛作为一种新兴的纳米成像器件,具有分辨力高、体积小、重量轻、易复制等优点,被广泛地应用到纳米光刻、大型天文望远镜、航空航天摄像等领域。为了追求高分辨力,须将光子筛的小孔直径做得非常小,但当光子筛的小孔直径远小于入射光波波长时,标量衍射理论已不再成立,必须采用矢量衍射理论来进行光子筛的设计。利用矢量衍射理论建立了光子筛的衍射模型,并基于此模型进行了光子筛结构的设计与优化。为了考察模型的有效性,进行了数值模拟。数值模拟结果表明,基于矢量衍射模型设计的光子筛的聚焦性能良好;在近场区,标量衍射模型不再适用,而矢量衍射模型却能较好地满足设计要求。

8寸人脸识别测温防疫筛查终端说明书

内容简介 本书共分为6章，按照数论基础、素数分布规律和素数在RSA中的应用三个层次安排章节内容。首先，介绍了素数研究的初等数论和代数学基础，重点讲解了素数的基本理论和群环域格等理论；然后，对素数的分布规律，从薛式筛法中提出数数论理论，对素数在6n+1和6n-1两列分布形式中的因子分布规律进行讨论； ，从RSA公钥密码体制着手，分析了RSA密码分析面临的诸多问题，如RSA密码分析与攻击，整数分解和素性检测三个方面，并着重分析了素数分布在这一领域的应用，提出了我们 基于大模数表的整数快速分解方法，同时也讲我们在同余求解领域的成果剩余倍分法进行简要介绍。传统素数相关的专著或书籍偏重于基础知识的讲解，适合数论相关专业的基础课程学习，本书 适合在有一定的数论基础后，开展科学研究时参考使用。 本书前半部分适合素数的兴趣爱好者阅读，后半部分素数规律和在RSA中的应用更适合从事相关专业研究人员阅读，以期本书初步研究成果能够为素数相关的研究人员提供一些新的分析思路和方法借鉴。

tqlmza系列平面回转筛说明书.pdf

糖尿病性视网膜病变-手动筛查与算法 最近几个月我一直在参加。 有关快速介绍，请参见 。 根据糖尿病患者的眼睛图像，我们必须找到一种算法来对疾病的级别进行分级。 随着比赛的进行，我越来越相信自动筛选确实很有帮助。 计分系统是 。有趣的是，有几支得分为85或更高的球队。 根据有关Kappa的文献，85表示我们的算法非常好。 。 现在我们来讨论主要问题。 该算法必须匹配医生提供的标签。..但是，医生会犯错误..结果是，有时算法在进行正确的预测时有时会“缩编”。 这就是为什么我不愿将放在网上的原因。 这样做的想法是让人们对算法的预测和决策者给出的标签发表评论。 总而言之，我们可能会对自动筛选的实际使用有更好的了解。 也许github对此并不理想。 如果您有更好的平台，请随时拨叉，以获得更好的体验！ 行：医生给的标签列：按算法预测的标签 Pred 0 Pred 1 Pred 2 Pre

中国药典所用药筛的筛孔内径和目数对照表.doc

最快的素数筛法, 2秒初始化后在奔腾4上能算出2^31 以内素数个数,之后10ms内算出任意 0-2^31之间素数个数，可快速的计算第k个素数, 枚举区间[n, m](m - n < 10^5)以内素数等 k e8 ----------------------start find kth prime--------------------- Prime[100000000] = 2038074743, time use 3262.60 ms e8 e9 PI[100000000, 1000000000] = 45086079, time use 2.01 ms s e9 100 ----------------------start print prime------------------------ PI[1000000000] = 50847534 7 prime number in range[1000000000, 1000000100] : 1000000007 1000000009 1000000021 1000000033 1000000087 1000000093 1000000097

Tensorflow实现“ CT结肠造影中具有有限数据集的息肉候选者检测的3D卷积神经网络框架”，Chen Yizhi，2018年，EMBC。 版权保留。 免费提供各种用于研究目的的复制和修订。 在Tensorflow1.4，Python2.7，Ubuntu16.04下 文件结构 您应该参考Configuration.py以全面了解程序和数据库的文件结构。 数据输入 为了避免训练时加载完整尺寸的CT卷所需的大量时间，我们将首先裁剪该卷，然后将它们组织为单独的POLYP DATASET。 像Configuration.py中一样准备CT结肠造影数据。 在文本文件中列出所有CT卷的目录。 在Configuation.py中修改几个重要的目录变量。 运行dataBase.py以构造信息文件和息肉数据集。 训练 “ cd version2”和“ python train.py --fold

本科生项目：基于Mask RCNN深度学习模型的宫颈癌细胞学AI筛选系统 摘要：随着计算机视觉和深度学习的发展，可以使用人工智能解决子宫颈癌细胞自动筛选的问题。 在宫颈癌细胞自动筛选领域，大多数研究主要基于传统的机器学习算法来解决简单的细胞分割和分类问题，而正常宫颈细胞与异常宫颈细胞重叠的细胞分割问题则难以解决。 本文基于Mask RCNN深度学习模型，研究宫颈癌细胞筛查中的细胞分割问题，通过实例分割方法对重叠的正常和异常宫颈细胞进行分割，并进行全视角细胞的目标检测和分类任务研究幻灯片。 在细胞分割方面，Mask RCNN模型用于对ISBI14，ISBI15，CERVIX93发布的子宫颈细胞数据集以及医院通过液基细胞学方法生成的临床子宫颈细胞数据集进行实例分割训练和预测。 最后，在公共数据集ISBI14上进行细胞质分割的模型的结果是：mAP为0.866，平均精度为0.99，在IoU = 0