此脚本生成 html 中的模型覆盖率报告 如果您有任何疑问，请与我联系 邮件 ID：matlab.v@gmail.com 〜维什瓦纳特

多示例学习benchmark数据集，包括MUSK1、MUSK2、Elephant、Fox和Tiger的MAT文件。且带＋号的数据为归一化处理后的数据，否则为原始数据。 所有的实例均添加了实例标签。

MIL-STD-810F__(Environmental_Test_Method).pdf 美军标 810f

基于注意力的深度多实例学习 基于注意力的深度多实例学习可以应用于广泛的医学成像应用。 在项目“ ”@ ，我在 ICML 2018 论文“Attention-based Deep Multiple Instance Learning”（ ）中撰写了Keras版本这个 repo 为 Keras 用户分享解决方案。 可以在找到官方 Pytorch 实现。 我使用Tensorflow后端建造它与Keras。 我编写了论文中描述的注意力层，并在结肠图像中进行了 10 倍交叉验证的实验。 我得到了论文中描述的非常接近的平均准确率，可视化结果如下所示。 部分代码来自 。 在训练模型时，我们只使用图像级标签（0 或 1 以查看它是否是癌症图像）。 注意层可以通过仅呈现积极补丁的一小部分子集来提供对决策的解释。 我的实施结果 数据集 结肠癌数据集 已处理的补丁 我把我处理的数据放在这里，你也可以

Clinical-grade computational pathology using weakly supervised deep learning on whole slide images论文代码，加了一点自己的解读。具体解读博客为：https://blog.csdn.net/u013066730/article/details/96705542#commentBox

美军软件开发标准原文，国内GJB5000A基本就是照着这个改编而来，很有参考价值 美军软件开发标准原文，国内GJB5000A基本就是照着这个改编而来，很有参考价值 美军软件开发标准原文，国内GJB5000A基本就是照着这个改编而来，很有参考价值

1553B开发手册，使用于DDC公司芯片

随着MIL-STD-1553B总线在航空航天和军工领域的广泛应用，为了降低该总线的应用成本和提高应用开发的灵活性，设计并实现该通信协议的曼彻斯特编解码器。通过分析1553B协议和曼彻斯特II型码编解码原理，确定出编解码器的整体框架，利用ISE14.1开发环境和Verilog HDL硬件描述语言对其设计实现，通过ISE Simulator和XST进行时序仿真和综合优化，仿真结果验证了设计方案的逻辑功能，最后在Xilinx Spartan6系列XC6SLX16型号FPGA上进行了实现。在深入分析1553B协议的基础上，对编解码器的工作原理、工作过程、逻辑设计及仿真验证进行详细介绍。

MIL-STD-1553B_中文教程，PPT模式，简单实用，欢迎各位下载。

MIL-STD-883E METHOD 1012.1