unet 医学影像分割源码, 对视网膜血管医学图像分割 代码文件结构： ├── src: 搭建U-Net模型代码 ├── train_utils: 训练、验证以及多GPU训练相关模块 ├── my_dataset.py: 自定义dataset用于读取DRIVE数据集(视网膜血管分割) ├── train.py: 以单GPU为例进行训练 ├── train_multi_GPU.py: 针对使用多GPU的用户使用 ├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试 └── compute_mean_std.py: 统计数据集各通道的均值和标准差

一个国外的Java写的虹膜识别的程序，里面有程序的介绍。

用于视网膜的分割，亲测运行过没有问题。 DRIVE数据集的训练集和验证集‘1st_manual’ 并未被官方提供，但我提供了分为training.zip和test.zip。 CHASE DB1 的训练集和验证集也提供了chase_db1.zip HRF数据集:下载 healthy.zip glaucoma.zip, diabetic_retinopathy.zip, healthy_manualsegm.zip, glaucoma_manualsegm.zip 以及 diabetic_retinopathy_manualsegm.zip 。 在mmsegmentation这个架构里面可以直接运行，mmsegmentation架构不会使用的在浏览器搜索教程 使用时记得转换格式，首先创建data 如python tools/convert_datasets/drive.py data/training.zip data/test.zip python tools/convert_datasets/chase_db1.py data/CHASEDB1.zip

XTC/C XTC/2 薄膜镀层控制仪 使用说明书

此脚本使用传输光谱的 ascii 数据格式，您必须在命令窗口中写入文件名。 然后在图中，您将找到最大值和最小值点。 使用十字准线，从左到右，单击最大点； 后来的最低分。 结果是复数指数及其对不同波长的误差的列表，以及厚度加上薄膜的误差的列表。 脚本中最强的近似是无色散材料的想法。 压缩文件包含： * calcula_espesor_pelis_trans.m 这是脚本* my_data.out 这是一个带有最大值和最小值的练习文件 *localmaxmin.m 由 Duane Hanselman 感谢制作《局部最大值和/或最小值》的 Duane Hanselman，我用它来显示最小值和最大值点。

虹膜数据集 分析虹膜数据集并构建机器学习算法以使用花瓣和萼片维度对虹膜植物类型进行分类

半导体镀膜工艺

人工智能-机器学习-透湿性可控的智能聚合物薄膜的制备与表征.pdf

生物膜法与工艺

这是在带有Gradle的Android Studio中使用MediaPipe AAR的示例。 MediaPipe的记录了构建和使用MediaPipe AAR的步骤。 源代码是从MediaPipe的人复制而来的。