- 博客(48)
- 收藏
- 关注
RSS订阅原创 windows与服务器之间的数据传递rsync同步文件，跳过服务器上已有的文件
有时候我们必须将数据上传到服务器当有很多文件时上传过程中由于网络原因可能会导致部分文件丢失那么这个时候就需要进行文件同步这时rsync就派上用场了但是rsync在Ubuntu上比较友好所以我们需要在windows上安装ubuntu子系统然后安装rsync，最后进行文件同步。
2024-08-15 22:01:18
362
原创 windows与linux服务器之间通过scp快速并行的文件传输
在大数据时代，有很多数据集包含很多小文件，这些小文件在不同设备之间的传输是一个很大的问题sftp在传输小文件时，往往很慢。因此下面通过scp进行并行的文件传输，速度提升20倍左右。
2024-08-14 21:50:03
650
原创 在ubuntu上安装FastSufer【本机安装】
其实说是安装，只需要将文件下载并解压即可。推荐教程注意版本：在下面这个网址根据你的操作系统找到最新的版本安装。比如我的操作系统为Ubuntu 20.04.5，因此我安装ubuntu20-7.4.1的freesurfer打开~/.bashrc在~/.bashrc文件中添加以下三行关闭~/.bashrc更新~/.bashrc安装tcsh注意每次进入终端使用freesurfer时需要输入FREESURFER_HOME路径根据freesurfer的文件夹所在位置自己修改。
2024-03-11 22:51:12
1035
原创 使用大规模数据注释和深度学习对具有人类水平性能的组织图像进行全细胞分割
组织成像数据分析的主要挑战是细胞分割，即识别图像中每个细胞的精确边界。为了解决这个问题，我们构建了TissueNet，这是一个用于训练分割模型的数据集，包含超过100万个手动标记的细胞，比之前发布的所有分割训练数据集都多一个数量级。我们使用TissueNet来训练Mesmer，这是一种能够进行深度学习的分割算法。我们证明了Mesmer比以前的方法更准确，可以推广到TissueNet中组织类型和成像平台的完全多样性，并实现了人类水平的性能。
2023-03-20 10:15:22
1240
原创 视网膜电图特征可以检测成人的抑郁状态和治疗反应：一种机器学习方法
应用于PERG的信号处理和机器学习工具可以帮助临床决策MDD的诊断和随访，以测量治疗反应。
2023-02-01 16:01:21
870
1
原创 使用光泵磁力仪（OPMs）非接触测量视网膜活动
光泵磁力仪（OPM）已被用于测量大脑活动。无需冷却至低温，这些传感器的阵列可以更灵活地放置，这允许记录新皮质以外的神经元结构。在这里，我们使用八个OPM传感器来记录闪光刺激后的人类视网膜活动。我们将这一【磁视网膜图（MRG）】活动与八名参与者同时记录的【电视网膜图】进行比较。MRG显示熟悉的闪光诱发电位（a波和b波），并与【电视网膜图】共享大量信息（同时和单独测量）。我们得出结论，OPM传感器有可能成为测量视网膜活动的非接触式光纤电极替代品。这样的非接触式解决方案可以使临床和神经科学环境受益。
2023-01-30 09:55:32
1007
原创 处理imagenet2012数据集
ILSVRC2012_img_train.tar和ILSVRC2012_img_val.tar这样的两个数据。对于train的压缩包，解压之后其实还是1000个tar压缩包（对应1000个类别），需要再次解压。下载的imagenet2012数据集是。
2022-07-19 14:25:38
912
原创 从根儿上搞懂yolo
原文地址：https://arxiv.org/pdf/1506.02640.pdf图片resize到统一尺寸后送入黑盒模型变成了一个7730的张量。（尺寸可调，但这里不讨论这些细节！）预测出来就是这样一堆数（尺寸为7×7×30）（如果网络没有经过训练，输出的就是一堆随机数，经过训练后网络才知道在正确的地方输出正确的数，才能得到上图，那怎么训练网络呢？或者用什么来训练网络呢？我们就需要制作标签）这就是标签：（如果一张图片只有一个目标而且目标中心在左下角的话，那标签就是下面这样的）（只有一个gr.
2022-05-26 23:13:33
1345
原创 helium的chromedriver版本不对应
helium的chromedriver版本默认为89而你电脑上的chrome一般版本比较新所以要将helium包里面的chromedriver.exe替换为对应的新版本；helium包里面的chromedriver.exe在哪里呢？你直接pip uninstall helium然后提示：Found existing installation: helium 3.0.8Uninstalling helium-3.0.8:Would remove:d:\programdata\anacond
2022-04-26 16:00:37
757
原创 基于LSTM的ECG分类用于个人可穿戴设备的连续监测
提出了一种新的ECG分类算法，用于处理能力有限的可穿戴设备上的连续心脏监测。方法：提出的解决方案采用了由小波变换和多个LSTM递归神经网络组成的新结构（图1）。结果：实验评估显示，与以前的工作相比，ECG分类性能更好。在不同硬件平台上的测试表明，该算法满足可穿戴设备上连续实时执行的时序要求。结论：与许多基于计算式深度学习的方法相比，本文提出的算法是轻量级的，因此，它为可穿戴设备带来了基于LSTM的准确ECG分类的连续监测。意义：提出的算法既准确又轻量级。源代码可在线获取。
2022-04-16 12:43:35
2359
原创 MLBF网络：一种用于12导联心电图多类别心律失常分类的多导联分支融合网络
利用12导联心电图（ECG）信号自动检测心律失常在心血管疾病的早期预防和诊断中起着至关重要的作用。
2022-04-14 22:56:36
1638
1
原创 ML-Net：检测心肌梗死的多通道轻量级网络
**摘要：**现有的MI检测模型需要较高的计算和存储容量，不适合便携式设备；该文章提出：ML-Net，一种轻量级的网络；工作流程：在ML网络中，每个心电图（ECG）导联被分配一个**独立的通道，确保数据独立性**，并保留不同导联代表的不同角度的ECG特征。此外，利用**大小不等的卷积核**，只需少量的导联数据即可实现准确的分类。效果：ML-Net在诊断心肌梗死方面优于同类方案，并且需要更低的计算成本和更少的内存，因此便携式设备可以在医疗物联网（IoMT）领域得到更广泛的应用。
2022-04-14 21:13:39
779
原创 利用浅层和端到端深层神经网络实现心肌梗死的自动检测和定位
心梗检测和定位可以帮助医生更好的进行诊断；这篇文章主要的工作在于，提出了两种心梗检测和定位的方法：a.离散小波变换（DWT）+主成分分析（PCA）+浅层神经网络（NN）b.端到端的卷积神经网络（CNN）心梗检测：相当于是二分类任务（即心梗或健康）；心梗定位：相当于多分类任务（就是将心梗大类继续细分为六种子类）；效果：NN方法存在2%的误报，但是需要的计算资源少；CNN方法不存在误报，但是需要的计算资源多；
2022-04-14 16:44:20
1008
原创 内容梳理a
Resnet：在2015年之前，人们有个信念，就是网络越深、越宽，表征能力就越强。所以训练误差应该是会随着网络的加深而逐渐变小的，而测试误差则不一定，因为过深的模型可能是过拟合的。然而何恺明等人却发现，加深模型到一定程度时，测试误差和训练误差都要比浅的模型的要高，这就对原来的信念提出了挑战。他将这一发现称之为深层模型的退化现象。而Resnet通过残差学习，解决了大型网络（层数多）的退化问题。工作原理：目前有很多学者对ResNet发挥作用的原因进行了解释。根据BP算法中的导数的链式法则，将该公式
2022-04-01 14:09:29
2735
原创 硕士项目总结
据说在人工神经网络（artificial neural network, ANN）发展初期，由于无法实现对多层神经网络（包括异或逻辑）的训练而造成了一场ANN危机，**到最后BP算法的出现，才让训练带有隐藏层的多层神经网络成为可能。**因此异或的实现在ANN的发展史是也是具有里程碑意义的。异或之所以重要，是因为它相对于其他逻辑关系，例如与（AND）, 或（OR）等，异或是线性不可分的。如下图：.............................................
2022-03-25 10:54:55
3931
原创 素数伴侣，匈牙利算法
# include <iostream># include <math.h># include <vector>using namespace std;bool is_prime(int num){ if(num == 1) return false; for(int i = 2; i * i <= num; i++) if (num % i == 0) return false;
2022-03-06 14:59:43
174
原创 图片爬虫算法
import datetimeimport osfrom tqdm import tqdmfrom baiduspider import BaiduSpiderimport urllibimport timeimport jsonimport socketimport urllib.requestimport urllib.parseimport urllib.errorimport refrom PIL import Imageimport hashlibimport argp
2022-03-04 15:41:50
272
原创 视频按照bbox切割算法
import osimport cv2from PIL import Imageimport jsonfrom tqdm import tqdmimport numpyimport scipy.signal as signal# local_map = {"右上": "RU", "右上/右下": "R", "右下": "RD", "右中": "RM", "中上": "MU", "左下": "LD", "左上": "LU", "左下/右下": "D",# "左中":
2022-03-04 15:40:30
242
原创 视频抽帧算法
# -*- coding:utf8 -*-import cv2import osimport shutildef get_frame_from_video(_video_name, num_s, _save_path): """ :param _video_name: 输入视频路径 :param num_s: 保存图片的帧率间隔 :param _save_path: 抽出的图片保存的位置 """ # 保存图片的路径 path = _vid
2022-03-04 15:36:04
1424
原创 华为机试购物单
华为机试购物单动态规划直接上代码代码里有注释。# include <iostream># include <vector>using namespace std;struct Goods{ int main_value = 0; int main_fraction = 0; int annex1_value = 0; int annex1_fraction = 0; int annex2_value = 0; int a
2022-02-05 14:18:06
293
原创 深度学习笔记
20220109常用的 Normalization 方法：BN、LN、IN、GN？卷积的反向传播Swin Transformer各种池化的优缺点
2022-01-09 20:47:07
1536
原创 PTB-XL处理程序
ECG处理程序#data_process = (X_train[5,:,11] - np.roll(data_process,10))/10 #差分#print(data_process)import matplotlib.pyplot as pltfrom scipy.signal import medfiltdef Slope_condition(data_process, location, Scope, Threshold): for i in range(Scope,0,-1)
2021-12-15 21:22:01
698
1
原创 计算模型的计算复杂度GFLPS
计算模型的计算复杂度GFLPSfrom thop import profiledef GFLOPS(model): inputdata = torch.randn(1, 3, 513, 513) #这里可以修改 if torch.cuda.is_available(): model1 = model.cuda() inputdata = inputdata.cuda() flops, params = profile(model1, inputs
2021-10-15 20:05:22
1091
原创 图像分类 resnet，WRN, SE-resnet, Densenet, pyramid, shake_shake
分类基线网络，resnet，WRN, SE-resnet, Densenet, pyramid, shake_shake,有使用说明，pytorch，亲测有效，cifar10精度97.34%，cifar100精度86.57%，mini-imagenet精度84.51%hi，这是我用百度网盘分享的内容~复制这段内容打开「百度网盘」APP即可获取链接:https://pan.baidu.com/s/1GGV4oE3kzlTqdcQ_Pgzmuw提取码:5xng使用说明怎样使用image-classif
2021-09-04 21:21:15
564
原创 matplotlib箱体线绘制
matplotlib箱体线绘制import numpy as np;import matplotlib.pyplot as plt;# import math;fig = plt.figure(figsize=(6, 4))ax = fig.add_subplot(111)# 以列向量的形式存放每一个箱体data1 = np.array([0.21, 0.13, 0.04, 0.1, 0.19, 0.11, 0]).Tdata2 = np.array([0.45, 0.17, 0.29,
2021-08-27 18:57:49
291
原创 深度学习模型的参数
计算模型的一些参数!pip install torchstat首先安装torchstatfrom torchstat import stat# 导入所有的网络架构# 这里是我创建的一些模型from model.wideresnet import WideResNetfrom model.wideresnet_CDD import WideResNet_CDDfrom model.resnet import Resnetfrom model.resnet_CDD import Resnet_
2021-08-24 15:31:56
585
原创 mini-imagenet数据处理过程_从头开始训练
mini-imagenetminiImageNet包含100类共60000张彩色图片，其中每类有600个样本，每张图片的大小被resize到了84×84。这里,这个数据集的训练集和测试集的类别划分为：5：1。相比于CIFAR10数据集，miniImageNet数据集更加复杂，但更适合进行原型设计和实验研究。https://studio.brainpp.com/dataset/2313?name=mini_imagenet下载过程注册账号-启动环境-在dataset文件夹找到mini-imagenet
2021-07-24 16:40:47
6606
9
原创 python解/压缩文件夹到指定位置
# 将数据解压到workspace/image文件夹import zipfiledef unzip_file(zip_src, dst_dir): r = zipfile.is_zipfile(zip_src) if r: fz = zipfile.ZipFile(zip_src, 'r') for file in fz.namelist(): fz.extract(file, dst_dir) el
2021-06-02 21:18:12
8114
原创 完整数据集中随机抽取训练集和测试集
这个程序可以从数据集中随机抽取训练集和测试集原来的数据结构为：data 类别1 image1 image2 image3 …… 类别2 image1 image2 image3 …… ……抽取完的数据结构为：data 类别1 image3 …… 类别2 image2 image3 …… ……test 类别1 image3 …… 类别2 image1 …… ……然后将data文件夹改为train就得到了训练集
2021-06-02 20:17:43
4309
原创 使用pytorch导入自建数据集
使用pytorch导入自建数据集以mini_imagenet为例其实是关键需要数据集的结构为data train 类别1 image1 image2 …… 类别2 image1 image2 …… test 类别1 image1 image2 …… 类别2 image1 image2 …… val(可选) 类别1 image1 image2 …… 类别2 image1 i
2021-06-02 20:02:32
2440
1
转载 WRN28_10 on CIFAR100 精度77.54%
时间20210502作者：知道许多的橘子实现：WRN28_04对CIFAR-100数据集的分类测试集准确度：77.54%实现框架pytorch数据增强方法：Normalize+Fix等训练次数：200阶段学习率[0-200]：smooth_step(10,40,100,150,epoch_s)优化器optimizer = torch.optim.SGD(model.parameters(),lr=smooth_step(10,40,100,150,epoch_s), momentum=0.9
2021-05-04 18:57:25
2503
5
原创 生成对抗网络DCGAN
import torchfrom torch import nnfrom torchvision import datasetsfrom torchvision import transformsfrom torch.utils.data import DataLoaderfrom torchvision.utils import save_imagefrom torch import optimimport os# 设置超参数batch_size = 64learning_rate.
2021-05-04 17:41:02
721
2
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