继承

上节回顾
static:静态的
作用:
可以用来修饰成员变量 -> 静态变量/类变量静态变量它是随着类的加载而加载,它被这个类的所有对象共享。
普通成员变量(实例变量)它是随着对象的创建而产生,在不同的对象之间,是相互独立的。

可以用来修饰方法 -> 静态方法
备注:A:B:都是方法 如果被(S)修饰就是静态的。
静态方法的调用:
同一个类中方法之间调用:
A(S) -> B:不能直接调用,因为B不是静态方法它是随着对象的调用才产生的。
B -> A(S):可以创建对象去调用,也可以直接就使用。
A(S) -> B(S):可以直接调用。
不同类中的方法之间调用:(B是一个类中 A是另一个类中的方法)
B -> A(S):可以创建对象去调用,也可以直接类名.方法名();
B(S) -> A(S):可以创建对象去调用,也可以直接类名.方法名();
普通方法的调用:
同一个类中方法之间调用:
直接调用。 方法名():
不同类中的方法之间调用:
它的使用必须创建对象之后才能调用。

可以用来修饰代码块 -> 静态代码块
代码块/构造代码块/成员代码块:每一次创建对象 都会执行。优先于构造方法。{

}
静态代码块:类加载的时候只执行一次!
static{

}

继承的作用
便于复用代码。
将子类中公有的代码,提取出来存储到父类中,到时候用子类继承父类就可以重复使用父类中的代码。
继承的使用
定义父类:
public class Pet{
// 子类公有的代码
}
定义子类:
public class Dog extends Pet{
// 子类特有的代码
}
面向对象的三大特性之一就是继承。
Java:单根继承,一个子类只能有一个直接父类。(一个人只可能有一个亲爹)
在设计使用继承优化时,尽量符合is a的关系。
例如:猫 is a 宠物 学生 is a 人
理解继承
父类不是所有的内容都能被子类所继承。
父类私有的(private修饰的)不能被继承
父类的构造方法不能被继承
如果父类和子类不是在同一个包中,那么父类中的默认修饰符修饰的内容不能被继承
protected:受保护的 在不同包中 只要是有子父类继承关系 那么在子类中就可以访问信息。
在这里插入图片描述
执行流程的特点:(构造的执行流程:经常出现在笔试题中)
子类的构造方法中,如果没有显示的去调用父类的构造或者调用自己的其他构造。
那么:系统会默认调用父类的无参构造。(默认有super()调用)
public Dog(){
super();
}

Super关键字:
this:当前对象 谁在调用这个方法谁就是对象
this(); // 调用自己的构造
this.方法(); // 调用自己的方法
this.成员变量(); // 调用自己的属性
super:父类的对象 谁是它的父类,这个对象就属于谁。
super(); // 调用父类的构造
super.方法(); // 调用父类的方法
super.成员变量(); // 调用父类的属性
如果子类在构造中,显示的去调用了父类的某个构造。那么:系统就会去执行对应的构造,而不再执行默认的无参构造。
public Dog(){
super(“xxxx”);
}
如果子类在构造中,显示的去调用了自己的某个构造。那么:系统就会先去执行你自己的那个构造,而那个构造中也会根据上两条情况去执行对应的父类构造。
public Dog(){
this(“xxx”);
}
public Dog(String name){
super(); // 和上两条一致
// …
}

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,面对复杂结构和多尺度特征的图像,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,但在处理复杂结构和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和池化层,并通过跳跃连接传递信息;解码器部分则包含上采样层和卷积层,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和优化器。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