老师推荐的，不错，做视觉和听觉的可以来看看。

glcm matlab代码论文名称为“多点地统计的两种参数优化方法” 本文介绍了两种MPS参数优化方法的程序代码。 基于GLCM的方法的源代码是用MATLAB编写的，而深度学习程序代码是用c＃.Net编写的。 1.基于GLCM的方法主程序是“ GLCM_Method.m”，它取决于“ GrayCoMatrix.m”和“ HsimSimilarity.m”。 基于GLCM的方法中使用的第三方代码包含“ sort_nat.m”，“ rotateticklabel.m”。 2.基于深度学习的方法主程序是基于ML.Net的“ Program.cs”。该程序包含代码文件，例如“ Preprocessing_ImageFolder”，“ ImageNetData.cs”，“ MyDataTable.cs”等。 。 在使用这些程序之前，请解压缩两个压缩文件“ demo data.rar”和“ ML_Assets.rar”。 文件“ demo data.rar”包含了本文使用的数据，包括训练图像通道的实现以及基于Snesim和simpat获得的分类。

学习贝叶斯统计的入门。公式不复杂，适合刚入门。

matlab图像均衡化代码HDR方法和比较 使用各种最新方法的HDR图像生成及其结果比较 使用ILP（反向局部模式）生成HDR图像 根据论文 “通过反向局部模式生成高性能高动态范围图像” by Shih-Chang Hsia and Ting Tseng Kuo IET image processsing, 2015 设置 MATLAB中提供了ILP（反向局部模式）和CLAHE（对比度受限的自适应直方图均衡）的代码 用法 将代码复制到您拥有测试图像的路径。 运行代码后，它将自动将结果HDR图像保存在与代码相同的路径中。 我们还在images文件夹中提供了示例测试图像。 还提供了这些样本图像的结果图像。 比较表 我们为各种方法提供了相同图像的结果。 为了获得图像的定性分析，我建议使用HDR-VDP和HDR-VDP 2视觉指标。 这些指标可以从访问。

贝叶斯分析食谱 介绍 我最近受到贝叶斯统计分析的灵活和强大的启发。 然而，与许多事情一样，灵活性通常意味着要对易用性进行权衡。 我认为拥有一本可用于多种设置的代码手册对于将贝叶斯方法引入更通用的设置非常有帮助！ 目标 我的目标是每个型号有一个笔记本。 在每个笔记本中，您最终应该会发现： 这里正在解决的问题。 数据结构的描述。 示例数据表。 它通常最终会成为数据。 模型的 PyMC3 代码； 在某些笔记本中，同一型号可能有两个版本。 有关如何报告 MCMC 采样后验结果的示例。 我希望这些食谱对你有用！ （假设 我的假设遵循帕累托原则：大部分现实世界的问题基本上可以归结为几类问题，这些问题具有贝叶斯解释。 特别是，我有这样的预感，像ANOVA常用的方法，可以通过概念比较简单和更可解释的贝叶斯替代品取代，像约翰Kruschke最好的（B ayesianéstimation小号up

我也是找了好久，英文“Probabilistic Programming and Bayesian Methods for Hackers”，2分分享给大家，http://www.cnblogs.com/hxsyl/

level set 讲的比较清楚 Level Set Methods and Dynamic Implicit Surfaces

用梯形法求积分代码matlab 数值方法算法库 概括 该存储库包含使用 MATLAB 制作的原始算法，这些算法在科罗拉多州立大学的机械工程 105 中指定。 这个存储库中包含的算法是为了反映我对数值方法的掌握，因为它适用于计算机处理。 在每个文件夹中，您都会找到给出的提示和我注释的代码。 目录 辛普森复合 1/3 方法 创建此 MATLAB 函数是为了实施辛普森 1/3 规则以整合表格实验数据。 当给定两个一维向量（x 和 y）的输入时，此函数使用复合 1/3 公式计算积分。 如果给定向量中的间隔数为奇数，则包含一个额外的错误检查，它对最后一个间隔实施梯形规则。 LU 分解 此 MATLAB 函数确定方程组系数方阵的 LU 分解。 用户旨在输入系数矩阵，该函数将输出上三角矩阵和下三角矩阵。 除此之外，该函数还会在执行 LU Factorization 时输出与行的移动相对应的枢轴矩阵。 错误位置 此 MATLAB 函数可用于使用 False Position Method 估计给定函数的根。 三个最小输入包括函数和根的两个猜测 - 您还可以输入相对误差和最大迭代次数。 结果将是根估计猜

The Art of Hardware Architecture Design Methods and Techniques for Digital Circuits 讲了IC设计中的时钟、复位、异步时钟处理、时钟划分、低功耗、降低耦合等等 一共二百多页

深度学习的显著成功引发了人们对其在医学诊断中的应用的兴趣。即使最先进的深度学习模型在对不同类型的医疗数据进行分类时达到了人类水平的准确性，但这些模型在临床工作流程中很难被采用，主要是因为它们缺乏可解释性。深度学习模型的黑盒性提出了设计策略来解释这些模型的决策过程的需要，这导致了可解释人工智能(XAI)这个话题的产生。在此背景下，我们提供了XAI应用于医疗诊断的全面综述，包括可视化、文本和基于示例的解释方法。此外，这项工作回顾了现有的医学成像数据集和现有的指标，以评估解释的质量。作为对大多数现有综述的补充，我们包含了一组基于报告生成方法之间的性能比较。最后，还讨论了XAI在医学影像应用中的主要挑战。 https://www.zhuanzhi.ai/paper/f6e90091666dbcaa5b40c1ab82e9703b 引言 人工智能(AI)领域在过去十年取得的进展，支持了大多数计算机视觉应用的准确性的显著提高。医学图像分析是在对不同类型的医学数据(如胸部X光片[80]、角膜图像[147])进行分类时取得人类水平精确度的应用之一。然而，尽管有这些进展，自动化医学成像在临床实践中很少