C++设计模式入门指南

需积分: 20 0 下载量 152 浏览量 更新于2024-07-23 收藏 907KB PDF 举报
"设计模式C++语言,包含创建型、结构性和行为型设计模式的介绍,适合初学者学习。" 设计模式是软件工程中的重要概念,它们是解决常见问题的可重用解决方案,旨在提高代码的可读性、可维护性和可扩展性。在C++中,设计模式的应用同样广泛,可以帮助开发者编写更高效、更具灵活性的代码。 1. 创建型模式:这类模式主要关注对象的创建过程,使得创建过程更加灵活,易于管理和控制。 - 单例模式:确保一个类只有一个实例,并提供一个全局访问点。适用于需要全局唯一对象的情况,如日志服务、线程池等。实现方式通常包括懒汉式(延迟初始化)和饿汉式(静态初始化)。 - 抽象工厂模式:提供一个接口来创建相关或依赖对象的家族,无需指定具体类。适用于需要一组相关对象的场景,保持客户端与具体实现解耦。 - 建造者模式:将复杂对象的构建与其表示分离,使同一种构建过程可以创建不同表示。适用于创建复杂对象,避免构造函数过于庞大。 - 工厂方法模式:定义一个用于创建对象的接口,让子类决定实例化哪一个类。适用于当一个类不知道它所创建的对象的类时。 - 原型模式:通过复制现有对象来创建新对象,减少创建新对象的成本。适用于需要大量创建相似对象的场景。 2. 结构型模式:这类模式关注如何组合现有对象以创建新的结构或功能。 - 适配器模式:将一个类的接口转换成客户希望的另一个接口。适用于需要兼容已有接口或类的场景。 - 桥接模式:将抽象部分与实现部分分离,使它们可以独立变化。适用于需要独立于实现进行扩展的场景。 - 组合模式:允许将对象组合成树形结构以表示“整体/部分”层次结构。适用于处理部分与整体关系的场景。 - 装饰模式:动态地给一个对象添加一些额外的职责。适用于在不改变对象本身的情况下,扩展对象的功能。 - 外观模式:提供一个统一的接口,用来访问子系统的一组接口。适用于简化子系统调用,降低模块间的耦合度。 - 享元模式:运用共享技术有效支持大量细粒度对象。适用于减少内存消耗,提高系统性能。 - 代理模式:为其他对象提供一种代理以控制对这个对象的访问。适用于需要控制访问权限或者增加额外功能的情况。 3. 行为型模式:这类模式主要关注对象之间的交互和职责分配。 - 职责链模式:将请求沿着处理者链传递,直到某个处理者处理请求。适用于处理多个对象的请求,避免硬编码。 - 命令模式:将请求封装为一个对象,以便使用不同的请求、队列请求或参数化命令。适用于解耦发出命令的对象和执行命令的对象。 - 解释器模式:给定一个语言,定义其文法的一种表示,并且定义一个解释器,该解释器使用该表示来解释语言中的句子。适用于解析简单的语言或表达式。 - 迭代器模式:提供一种方法顺序访问聚合对象的元素,而又不暴露其底层表示。适用于遍历集合对象。 - 中介者模式:用一个中介对象来封装一系列的对象交互,中介者使各对象不需要显式地相互引用,从而使其耦合松散。适用于减少对象间的复杂依赖关系。 - 备忘录模式:在不破坏封装性的前提下,捕获一个对象的内部状态,并在该对象之外保存这个状态,以便以后恢复。适用于需要保存和恢复对象状态的场景。 - 观察者模式:定义对象间的一种一对多的依赖关系,当一个对象的状态发生改变时,所有依赖于它的对象都会得到通知并被自动更新。适用于实时事件通知的场景。 - 状态模式:允许一个对象在其内部状态改变时改变它的行为。适用于对象的行为依赖于它的状态(或属性)且其行为随着状态改变而改变的场景。 - 策略模式:定义一系列的算法,并将每一个算法封装起来,使它们可以互相替换。适用于算法的多样化和可互换性。 - 模板方法模式:定义一个操作中的算法骨架,而将一些步骤延迟到子类中。适用于在不同情况下使用相同算法的不同部分。 - 访问者模式:表示一个作用于某对象结构中的各元素的操作。它使你可以在不改变元素类的前提下定义作用于这些元素的新操作。适用于增加对现有类的新操作,而不修改这些类。 学习并熟练掌握这些设计模式,能够帮助开发者编写出更加优雅、易于维护的代码,提高软件系统的质量和可扩展性。对于C++开发者来说,理解并灵活运用这些设计模式,无疑是提升专业技能的重要一步。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R