数组和指针

天天在看程序,经常在写程序,对于基本的数组和指针,从来没有进行深刻的总结过。数组和指针,是程序分配内存的两种方式,对于不同的情况应该采用不同的策略。一般来说,提倡采用动态分配的方式来处理内存分配,按需分配,那就是用到指针了。但是,当分配的内存经常发生变化,需要重新分配或者在使用的时候比较频繁分配和删除时,可以考虑采用数组,也就是静态的分配的方式,这也就是兵法上说的一静制动、以不变应万变。

区分下面分配空间的大小:

#include <iostream>
using namespace std;

struct{
 short a1;
 short a2;
 short a3;
 short a4;
}s1;   //8

struct{
 long a1;
 char a2;
}s2;   //8

int main(int argc, char* argv[])
{
 char* s3="1234567890";   //4
 char s4[]="1234567890";   //11
 char s5[100]="1234567890";  //100
 int s6[100];  //400
 int s7[]={'1','2','3','4','5','6','7','8','9','0'};    //40
 char s8[]="abc";  //4
 char s9[]="a/n";  //3
 char *s10="a/n";  //4
 char *s11=(char*)malloc(100);  //4
 void *s12=(void*)malloc(100);   //4

 cout<<"sizeof(s1)="<<sizeof(s1)<<endl;
 cout<<"sizeof(s2)="<<sizeof(s2)<<endl;
 cout<<"sizeof(s3)="<<sizeof(s3)<<endl;
 cout<<"sizeof(s4)="<<sizeof(s4)<<endl;
 cout<<"sizeof(s5)="<<sizeof(s5)<<endl;
 cout<<"sizeof(s6)="<<sizeof(s6)<<endl;
 cout<<"sizeof(s7)="<<sizeof(s7)<<endl;
 cout<<"sizeof(s8)="<<sizeof(s8)<<endl;
 cout<<"sizeof(s9)="<<sizeof(s9)<<endl;
 cout<<"sizeof(s10)="<<sizeof(s10)<<endl;
 cout<<"sizeof(s11)="<<sizeof(s11)<<endl;
 cout<<"sizeof(s12)="<<sizeof(s12)<<endl;
 return 0;
}

 

sizeof以上各变量得到的结果为。

在当今计算机视觉领域,深度学习模型在图像分割任务中发挥着关键作用,其中 UNet 是一种在医学影像分析、遥感图像处理等领域广泛应用的经典架构。然而,面对复杂结构多尺度特征的图像,UNet 的性能存在局限性。因此,Nested UNet(也称 UNet++)应运而生,它通过改进 UNet 的结构,增强了特征融合能力,提升了复杂图像的分割效果。 UNet 是 Ronneberger 等人在 2015 年提出的一种卷积神经网络,主要用于生物医学图像分割。它采用对称的编码器 - 解码器结构,编码器负责提取图像特征,解码器则将特征映射回原始空间,生成像素级预测结果。其跳跃连接设计能够有效传递低层次的细节信息,从而提高分割精度。 尽管 UNet 在许多场景中表现出色,但在处理复杂结构多尺度特征的图像时,性能会有所下降。Nested UNet 通过引入更深层次的特征融合来解决这一问题。它在不同尺度上建立了密集的连接路径,增强了特征的传递与融合。这种“嵌套”结构不仅保持了较高分辨率,还增加了特征学习的深度,使模型能够更好地捕获不同层次的特征,从而显著提升了复杂结构的分割效果。 模型结构:在 PyTorch 中,可以使用 nn.Module 构建 Nested UNet 的网络结构。编码器部分包含多个卷积层池化层,并通过跳跃连接传递信息;解码器部分则包含上采样层卷积层,并与编码器的跳跃连接融合。每个阶段的连接路径需要精心设计,以确保不同尺度信息的有效融合。 编码器 - 解码器连接:Nested UNet 的核心在于多层次的连接。通过在解码器中引入“skip connection blocks”,将编码器的输出与解码器的输入相结合,形成一个密集的连接网络,从而实现特征的深度融合。 训练与优化:训练 Nested UNet 时,需要选择合适的损失函数优化器。对于图像分割任务,常用的损失
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