C语言研讨会:键盘缓冲区、延时与程序控制

需积分: 0 0 下载量 176 浏览量 更新于2024-06-30 收藏 318KB DOCX 举报
"C语言研究七、八研讨会报告" 在本次C语言的研究研讨会中,讨论了多个关键主题,涉及程序控制结构、系统级编程以及单片机延时处理等多个方面。以下是对这些知识点的详细说明: 1. **循环中的break与return**: - `return`语句用于立即结束整个函数的执行,并返回一个指定的值(在无返回值函数中,仅表示结束)。在嵌套循环中,`return`会跳出整个函数,而不仅仅是当前的循环。 - `break`语句用于退出最内层的循环,不会结束整个函数,而是继续执行循环之后的代码。 - `continue`语句则用于跳过当前循环体的剩余部分,直接进入下一次迭代。 - 比较它们的影响范围,可以认为`continue` < `break` < `return`,而`exit()`(稍后讨论)具有更大的影响力。 2. **exit()函数**: - `exit()`函数是C标准库中的一个函数,用于终止整个程序的执行。与`return`不同,`exit()`不仅结束当前函数,还会清理全局变量和栈空间,并返回一个状态码给操作系统。状态码通常用于表示程序的退出状态,例如错误代码。 - 在比较`return`和`exit()`时,`exit()`具有更广泛的影响力,因为它可以结束整个程序,而`return`仅限于函数级别。 3. **键盘缓冲区处理**: - 当用户按下键盘上的键时,字符会被存储在键盘缓冲区中。在编写程序时,如果不处理缓冲区,可能会导致输入的延迟或意外的行为。通常需要通过读取缓冲区来确保及时处理用户的输入。 4. **延时及时响应问题**: - 使用`for`循环实现延时可能导致CPU资源浪费,因为循环会一直占用处理器,无法处理其他任务。解决方法包括: - 重写中断服务程序,使得中断可以被及时响应,从而提高系统的实时性。 - 采用非阻塞的延时函数,让系统在等待期间能够检查其他条件,但这种方法可能不保证精确的延时。 - 多进程处理,但51单片机由于资源限制可能难以实现。 5. **内联汇编的优势与应用**: - 内联汇编允许在C/C++代码中插入汇编指令,提供更高的性能和硬件控制。它可以用于优化关键代码段,访问特定硬件寄存器,或者执行某些C/C++不支持的操作。 - 但是,过度使用内联汇编可能导致代码可读性和可维护性降低,且编译器可能无法有效优化。 6. **extern与static**: - `extern`关键字用于声明一个外部变量或函数,表明它在其他源文件中定义。这允许在多个文件间共享变量或函数。 - `static`关键字用于变量声明时,表示变量是局部的,其作用域限制在当前文件或函数内。对于函数,静态修饰符意味着函数仅在当前编译单元可见,提供了封装。 7. **不通过内联汇编实现功能**: - 虽然内联汇编可以提供一些优势,但在某些情况下,可以利用C/C++的高级特性如指针、结构体、位运算等来实现类似的功能,以保持代码的可读性和平台独立性。 通过理解和掌握这些知识点,开发者可以更好地控制程序流程,优化系统响应,以及处理底层硬件交互,从而提升软件的质量和效率。在实际编程中,需根据具体需求和环境灵活运用这些技巧。
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