Beta冲刺随笔-DAY7-橘色肥猫

这个作业属于哪个课程软件工程A
这个作业要求在哪里团队作业–站立式会议+Beta冲刺
作业目标记录Beta冲刺Day7
团队名称橘色肥猫
团队置顶集合随笔链接Beta冲刺笔记-置顶-橘色肥猫-优快云博客

SCRUM部分

站立式会议照片

在这里插入图片描述

成员描述

102101143 傅晗
昨天站立式会议到现在的进展:
移植部分内容到主线上
存在的问题/遇到的困难:
有些图片有问题,有些设置不合理
今天到明天会议的安排:
修改部分设置
心得体会:
游戏要做到精细需要精打细琢,慢慢调整尺寸

102101613 石贤炜
昨天站立式会议到现在的进展:协助其他成员完成场景的布置。
存在的问题/遇到的困难:无
今天到明天会议的安排:寻找一些剧情需要的素材。
心得体会:一个人可能走得更快,但一群人,才能走得更远。正如团队的定义:是一个由多名成员组成的有机体,旨在实现某一共同目标。

102101225张鸿诚
昨天站立式会议到现在的进展 解决人物死亡仍能攻击的问题
存在的问题/遇到的困难 游戏移植出现问题
今天到明天会议的安排 继续完善
心得体会 从0到1开发游戏很困难

112100237辜智荣
昨天站立式会议到现在的进展:继续制作场景的图片,完善和检查之前的场景制作
存在的问题/遇到的困难:无
今天到明天会议的安排:根据场景制作的进度加快制作场景图,加快场景的切换制作
心得体会:我们要加强和队友的沟通, 了解彼此的需求,可以做到事半功倍

102101209颜一虹
昨天站立式会议到现在的进展:完善游戏流程
存在的问题/遇到的困难:无
今天到明天会议的安排:配合其他组员,继续完善游戏流程
心得体会:本次冲刺中我的任务相对比较轻松,配合其他组员做好相关工作即可。

102101208涂欣雨
昨天站立式会议到现在的进展:实现游戏场景跳转
存在的问题/遇到的困难:无
今天到明天会议的安排:继续实现游戏场景跳转
心得体会:第一阶段的冲刺还存在部分问题,需要复盘加以改进。

102101237翁国平
昨天站立式会议到现在的进展:进行角色设定的优化和游戏机制的调整。
存在的问题/遇到的困难:无。
今天到明天会议的安排:继续根据队友的实际需求完成角色形象的设计、动画制作,游戏机制的优化和测试。
心得体会:及时分享信息、倾听他人的意见和反馈,以及建立开放、透明的沟通渠道,可以促进团队成员之间的理解和合作。

102103135张文峰
昨天站立式会议到现在的进展:进行场景衔接工作的设计和安排
存在的问题/遇到的困难:无
今天到明天会议的安排:整合小游戏跟场景到主项目中,调整小游戏通关逻辑
心得体会:对于项目的进展,要时刻保持高度的责任心和计划性。在解决问题和完成任务的过程中,充分发挥自己的技术能力,并在团队合作中取得良好的协同效果。每天都要有明确的工作计划,以便更好地掌握项目的节奏和进度,确保项目能够按时、高质量地完成。

PM报告

项目程序/模块的最新运行图片/gif/视频

代码

using UnityEngine;
using System.Collections.Generic;

public class GhostEffect : MonoBehaviour
{
    [Header("是否开启残影效果")]
    private bool openGhoseEffect = false;

    [Header("是否开启褪色消失")]
    public bool openFade;

    [Header("显示残影的持续时间")]
    public float durationTime;
    [Header("生成残影与残影之间的时间间隔")]
    public float spawnTimeval;
    private float spawnTimer;//生成残影的时间计时器

    [Header("残影颜色")]
    public Color ghostColor;
    [Header("残影层级")]
    public int ghostSortingOrder;

    private SpriteRenderer sr;//SpriteRenderer
    private List<GameObject> ghostList = new List<GameObject>();//残影列表

    public static GhostEffect instance;

    private void Awake()
    {
        instance = this; 
    }


    public void setOpenGhost(bool bol)
    {
        this.openGhoseEffect = bol;
    }

    private void Start()
    {
        sr = this.gameObject.GetComponent<SpriteRenderer>();
    }

    private void Update()
    {
        if (openGhoseEffect == false)
        {
            return;
        }

        DrawGhost();
        Fade();
    }

    /// <summary>
    /// 绘制残影
    /// </summary>
    private void DrawGhost()
    {
        Debug.Log("yes");
        if (spawnTimer >= spawnTimeval)
        {
            spawnTimer = 0;

            GameObject _ghost = new GameObject();
            ghostList.Add(_ghost);
            _ghost.name = "ghost";
            _ghost.AddComponent<SpriteRenderer>();
            _ghost.transform.position = transform.position;
            _ghost.transform.localScale = transform.localScale;
            SpriteRenderer _sr = _ghost.GetComponent<SpriteRenderer>();
            _sr.sprite = sr.sprite;
            _sr.sortingOrder = ghostSortingOrder;
            _sr.color = ghostColor;

            if (openFade == false)
            {
                Destroy(_ghost, durationTime);
            }
        }
        else
        {
            spawnTimer += Time.deltaTime;
        }
    }

    /// <summary>
    /// 褪色操作
    /// </summary>
    private void Fade()
    {
        if (openFade == false)
        {
            return;
        }

        for (int i = 0; i < ghostList.Count; i++)
        {
            SpriteRenderer ghostSR = ghostList[i].GetComponent<SpriteRenderer>();
            if (ghostSR.color.a <= 0)
            {
                GameObject tempGhost = ghostList[i];
                ghostList.Remove(tempGhost);
                Destroy(tempGhost);
            }
            else
            {
                float fadePerSecond = (ghostColor.a / durationTime);
                Color tempColor = ghostSR.color;
                tempColor.a -= fadePerSecond * Time.deltaTime;
                ghostSR.color = tempColor;
            }
        }
    }
}
using System.Collections;
using System.Collections.Generic;
using UnityEngine;


public class ScreenChange : MonoBehaviour
{
    public static ScreenChange Instance;
    public GameObject img1;
    public GameObject img2;
    public float time;
    private Animator anim;
    
    // Start is called before the first frame update
    void Start()
    {
        anim = GetComponent<Animator>();
        Instance = GetComponent<ScreenChange>();
    }

    // Update is called once per frame
    void Update()
    {
        if (Input.GetKeyUp(KeyCode.H))
        {
            anim.SetBool("ChangeToWrite", true);
            PlayerHealth.playerHealth.SetHealth(1000);
            HealthBar.instance.setHealthCurrent(1000);
            HealthBar.instance.setHealthMax(1000);
            PlayerAttack.Instance.setAttack(500);
            PlayerMove.instance.setSpeed(15);
            PlayerMove.instance.setJumpSpeed(10);
            GhostEffect.instance.setOpenGhost(true);

            ScreenChange.Instance.EnterFunc();
            Invoke("ChangeImage", time);


        }
    }

    public void EnterFunc()
    {
        anim.SetBool("ChangeToWrite", true);
        //Invoke("ChangeImage", time);
    }
    public void ChangeImage()
    {
        img1.SetActive(false);
        img2.SetActive(true);


        

        

    }
}

gif:
按H开启无双
请添加图片描述
在这里插入图片描述

项目燃尽图

在这里插入图片描述

签入签出记录

请添加图片描述

工作量汇报

  • 移植部分内容到主线上,修改存在的图片和设置问题。
  • 协助其他成员完成场景的布置。
  • 解决人物死亡仍能攻击的问题,继续游戏移植工作。
  • 完善和检查之前的场景制作,加快场景图的制作和场景的切换制作。
  • 进行角色设定的优化和游戏机制的调整,根据队友需求完成角色形象的设计、动画制作,优化游戏机制。
  • 进行场景衔接工作的设计和安排,整合小游戏和场景到主项目中,调整小游戏通关逻辑。
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值