XM-604B脑及脑动脉分布模型（11部件）   XM-604B脑及脑动脉分布模型放大2倍，可拆分为11部件，显示脑的外形结构：大脑外侧面主要结构、大脑半球内侧面和底面的主要结构、脑干各面的主要结构、小脑的主要结构；脑的动脉供应：动脉的来源、动脉在脑底面的行程和联合情况、大小脑的动脉分布。 尺寸：放大2倍，35×33×30cm 材质：PVC材料

一、产品介绍         “MXY8301 LED/LD光谱分布测试仪”是一款能够探测与分析各种光源在可见谱区范围内分布的“CCD快速光谱仪”，它的探测器是线阵CCD多通道探测器，能够探测各种颜色LED发光管和其他发光体的光谱分布。 由以下几部分构成：由狭缝、分光光栅、凹面镜和线阵CCD光谱探测器等部件构成； 狭缝：仪器信号光输入口为可调缝宽的狭缝（缝宽可调）； 被测LED安装装置：用来安装被测LED等光源； 被测LD安装装置：用来安装被测LD光源； 衍射光栅：采用600lp/mm的衍射光栅对入射光进行分光； 凹面镜：将分出的发射光谱汇聚到线阵CCD像敏阵列上； 光谱探测器：用线阵CCD传感器为探测器，以便同步获得更多的光谱谱线； 数据采集：仪器采用12位A/D数据采集系统；以便获得更高的“强度”分辨率； 接口方式：采用0接口方式与计算机连接； 二、教学目的 1、能够同步快速探测可见光范围的多通道光谱，并对谱线进行分析； 2、进行“LED光谱分布的测量实验”，学习光谱探测原理与光谱分析方法； 3、进行“LED发光光谱半宽度的测量实验”认识LED发光光谱特性和测量方法； 4、利用设备提供的“SDK”软件开发包进行课程设计与毕业设计； 三、实验内容 1、测试各种颜色LED的光谱分布； 2、测试LD半导体激光器的光谱分布； 3、测试其他光的光谱分布；

XM-631A头面及颈部血管神经分布模型（带数字标识）   XM-631A带数字标识头面及颈部血管神经分布模型由3部分组成，显示头部主要神经，筛板、视神经、动眼神经、滑车神经、展神经、三叉神经、三叉神经节、眼神经、额神经、眶上神经、滑车上神经、泪腺神经、鼻睫神经、睫状神经节、上颌神经、眶下神经、翼腭神经、上牙槽神经、上牙神经丛、下颌神经、颊神经、下牙槽神经、下牙神经丛、颏神经、舌神经、耳颞神经、颞深神经、鼓索、耳大神经、翼腭神经节、岩大神经、岩深神经、腭大小神经等，并且展示了颈部的肌肉和主要动静脉的解剖，共有多个部位数字指示标志和对应的文字说明。 尺寸：自然大 材质：PVC材料

XM-631头面及颈部血管神经分布模型   XM-631头面及颈部血管神经分布模型由头面部动脉分布、头面部静脉及三叉神经3个部件组成，主要显示头部浅层、深层的动静脉及神经的分布情况及相应的结构形态。 尺寸：自然大 材质：玻璃钢材料

XM-604B脑及脑动脉分布模型（11部件）   XM-604B脑及脑动脉分布模型放大2倍，可拆分为11部件，显示脑的外形结构：大脑外侧面主要结构、大脑半球内侧面和底面的主要结构、脑干各面的主要结构、小脑的主要结构；脑的动脉供应：动脉的来源、动脉在脑底面的行程和联合情况、大小脑的动脉分布。 尺寸：放大2倍，35×33×30cm 材质：PVC材料

本发明公开了一种基于协同尺度学习的行人重识别方法，属于监控视频检索技术领域。本发明首先 根据已标注训练样本集 L 中图像的颜色和纹理特征，进行尺度学习得到相应马氏距离中的协方差矩阵 Mc 和 Mt;随机选择查询对象使用 Mc 和 Mt 进行马氏距离度量，得到相应排序结果，从中取得正样本 和负样本生成新的已标注训练样本集 L，更新 Mc 和 Mt，直到未标注训练样本集 U 为空，得到最终的 标注样本集 L*，并融合颜色和纹理特征得到 Mf，就可以使用基于 Mf 的马氏距离函数进行行人重识别。 本发明在半监督框架下研究基于尺度学习的行人重识别技术，通过未标注样本辅助标注样本进行尺度学 习，符合实际视频侦查应用标注训练样本难以获取的要求，能有效提升少标注样本下的重识别性能。

已有样品/n重点突破智能终端深度学习处理器芯片设计，研发并改进CNN、RNN 等深度学 习算法和技术，设计并研发Alex、Caffe、Torch等常用的深度学习架构。深度学习 处理器芯片支持CNN/DNN/MLP等主流深度学习神经网络算法，基于深度学习处理器 芯片的智能设备可运行手写数字识别等任务；深度学习处理器芯片处理imagenet测 试集图像分类任务达到30帧/s，芯片面积不超过60平方毫米，单芯片功耗不超过 20W，所研发的芯片性能功耗比超过目前智能终端所使用的主流CPU的100倍。最终 在

基于深度学习的图像识别云端服务平台，能够 通过云计算框架训练深度学习算法模型，对图像进行目标检测 和识别。平台拟采用云端 API 的形式，为其他客户端的提供简 单易用的图像识别服务，将目标识别应用到互联网及移动应用 场景中，推动移动互联网的进步。 该平台实现如下功能：1.模型训练：平台能够基于用户给 定的不同行业的数据，训练相应的精细化分类模型。2. 图像识 别：平台能够根据预先训练好的识别模型，对用户

突破性地采用了参考多维度工作方法。这些多维度特征具体包括四大项：1.程序实体的覆盖信息（coverage information），即程序实体在运行失败或成功的测试用例中是否被覆盖到的信息，一般来说被失败测试用例覆盖越多的程序实体更有出错的可能性；2. 程序变异信息(mutation information)， 即当原程序被改变形成的变异体（mut

产品详细介绍系统概述： 作业是老师交代给学生的课后学习任务，一般要求在规定的时间段内完成。 作业系统就是一个管理课后学习任务的系统，提供教师版和学生版两种界面；教师利用该系统来创建、引用、布置和批阅作业，而学生则能利用该系统按时接收教师布置的学习任务并及时上交作业；在教师创建作业时，系统自动生成了全校共享乃至全区共享的作业库，以实现更加智能化的作业管理，提高作业资源的重复利用率，减轻教师作业管理工作量。 核心功能： 老师创建作业 创建作业就是教师创建一个需求明确的学习任务(“学习任务描述、预计用时、适用范围、分享范围”)，并且将该任务分配给指定学生去按时完成。 学习任务描述方式有很多，常见的描述方式有“文本叙述、文档说明、图片说明、视频说明、音频说明、在线资源”； 适用范围则负责说明该学习任务适合什么阶段的学生来做，适用哪个年级？适用哪个学科？适用哪篇课文和哪几个知识点？ 分享范围则限定了谁可以引用该作业，支持私有，校内共享，区内共享三种分享范围。 一个作业就是一个独立的实体，创建一次之后，可以被多次引用和多次布置，同样内容的作业尽量不要重复建设。 老师布置作业 布置作业就是老师将一个学习任务分配给指定学生们，并且规定了在多长时间内完成。一个完整的作业布置流程必须指定班级和作业日期，如图4-19-3。 一个作业可以被多次布置，同一个作业同一个班级同一天只能安排一次，这样，但是一个班级一天可以安排不同学科的多个作业。 学生写作业 学生接收到老师布置的各类课后作业之后，务必按照各门学科的作业要求在规定的时间内去“写作业”，写作业的核心工作就是完成作业要求的学习任务，完成任务的方式不一定是线上完成，也可以是线下完成作业任务，再去线上提交作业结果。 学生交作业 交作业就是将学习任务完成后的答案或者任务作品通过系统提供的文本、拍照等多种方式提交给老师。系统不强求一定要用键盘打字来写作业，线下将学习任务做完，然后通过拍照或者视频摄像等方式来提交作业答案或任务作品都是支持的。 老师批阅作业 老师一旦布置完作业之后，进入该作业的“批阅”窗口内，可以随时检查学生的作业上交情况，如果发现有未按时交作业的学生，可以给学生发送催交信件，如图4-19-5所示；一旦学生上交了作业，老师就能在线批阅学生的作业了；批阅作业时，不但能给学生当天作业打分，还能给出简短评语。 学生本人在看到老师的批阅内容后，还能针对该作业向老师提问(图4-19-4)。 作业分析 作业分析将根据每位学生的作业提交情况从“作业得分、作业用时、作业引用次数”等多种维度进行统计分析，通过作业分析能够发现学生学习中存在的各种问题。 系统特色： 支持线下完成学习任务，然后线上拍照O2O提交作业方式； 作业资源可以校内共享，形成全校统一的作业库； 通过知识点关联实现作业与“教学资源和网络课程”的匹配，实现个性化学习推送； 作业可以直接被网络课程引用。