- 博客(7)
- 收藏
- 关注
RSS订阅原创 一维ECG信号分割以及2D图像的转化（三）
链接：https://pan.baidu.com/s/13QlKilmajHDRlMTys7KNeQ?总结：我拿resnet18跑了跑，效果还不错。不过没啥用，图片太简单了。就当练练数据处理了。--来自百度网盘超级会员V4的分享。
2024-01-26 13:34:34
377
1
原创 一维ECG信号分割以及2D图像的转化（二）__just_one_click
在一般情况下，不是所有数据都是要被使用的，根据， 大多数人的做法，是把48个病例分成DS1,和DS2，其中，2.一键式，将每一个患者的一维信号记录，变成对应的，适合于图像分类任务的csv。在上一篇的代码的基础上。1，修改了生成的图片名称中还包含绝对路径的问题。可以把一个作为训练集，一个作为测试集，而且label也被分成了5大类。3.按照传统的划分方式，将数据集划分为训练集和测试集。48个病人记录的2D样本以及对应的标签全部在这里了。
2024-01-26 10:40:37
564
1
原创 一维ECG信号分割以及2D图像的转化（一）
MIT-BIH这一数据集在几乎所有的ECG信号相关的论文的实验部分都会提到，大部分对其的处理都是filter，segment,或者是求一下RR_interval这一类时域特征，然后换换model，跑一跑。针对于此，在本篇文章中，1，笔者提供了一个信号分割代码的写作思路。2.提供了一个将一维信号转变为二维信号的代码写作思路。在kaggle平台上，如果进行大规模的图像生成的话，会有比较可怕的效果（亲身实测）在dataset中的code一栏中很容易找到。因此，在这个平台上，我只进行一些小规模的二维图像生成。
2024-01-25 17:22:32
486
原创 对于自定义dataset和数据处理的一些讨论——以kaggle中的图像分类为例(二）
书接上回。sampler顾名思义，就是一个采样器，决定着dataloader在batch_size固定的情况下，取哪几个数据，在简单的情况下，sampler都不需要自己定义，因为pytoch自己本身就给我们提供了两种sampler,一种是顺序采样器，一种就是随机采样器。随着dataloader中shuffle的参数变化而变化。
2024-01-25 13:39:11
1305
原创 对于自定义dataset和数据处理的一些讨论——以kaggle中的图像分类为例(一）
不知道在干啥的一学期过去了。想做做总结，把收获的一些零碎的东西，整理一下。供自己查看，当然，如果能帮助到一些人，也是我的荣幸。之所以选这个平台，还是看中它不需要自己配环境，也不用自己下数据集，还能白嫖显卡，属于是对新手非常的友好了。让我们开始吧这个数据集的整体结构如上图。具体情况不介绍，平台项目中有，在这里，只用到了train_images和train_csv两个文件。
2024-01-25 13:12:06
1341
原创 笔记：数据处理的代码小技巧（1）
在深度学习处理中，图片大小是一个很重要的问题，关系着转为tensor的shape。如何方便的查看一个文件中几千张图片的大小。放在以前我一直只会用for循环，用cv2读取图片，然后直接print(img.shape)，凭借肉眼观察，图片的大小。提示，dictionary.get（a,b)为查找字典中key为a的值，如果不存在，则返回b值。最近读到了一个很简单的代码块，可以有效显示，所有图片的大小，以及每种大小的有几张。最近觉得自己的基本功好差，要好好学一下如何优雅的写代码。
2024-01-11 20:37:26
390
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人