设计模式----装饰模式

                    设计模式----装饰模式

        装饰模式,就是将传统繁琐的设计模式简单化,不需要许多的子类,也能实现同样的功能的一种设计模式。

        例子如下:

     --------------------------

普通继承模式实现

发镖

变身

无敌

M1: A

M2: B

M3: C

M4:A B      

M5:A C

M6:B C

M7:A B C

---------------------------

装饰模式

M

 |--M1

 |--M2

 |--M3

A B      : new M2(M1)

A C      : new M3(M1)

B C      : new M3(M2)

A B C    : new M3(M2(M1))

由上例可看出,原本的8个子类缩短了一半。

在这样简单的例子中,就可以清晰的感受到装饰模式的效果,想像一下在做某些繁琐的游戏时,这种效果会被继续扩大化。

还发现了两种关系  is----a    与   has-----a ,如

 

下例:

这里装饰者Decorator与IUSB之间的关系满足is – a关系,即Decorator is-a IUSB,即子类一定是父类,而父类不一定是子类。这里虽然是接口,但在这儿一样适用,话句话说,人一定是动物,而是动物就不一定是人了。

 

装饰者Decorator同时还与IUSB直接满足has – a的关系。两个类之间要进行通信,常在一个类中引用另一个类,这个在WinForm种的窗体之间通信用的多,一个窗体如果要访问另外一个窗体的public属性的属性或方法,常引用要访问的窗体作为私有成员变量。这是UML种的关联关系。

 

Is---a关系

 

也就是说IUSB包含了Decorator ,换句话说Decorator是IUSB的一部分,所以IUSB可是是完整的Decorator,但Decorator不能代表IUSB。

 

至于has---a关系

 

我认为说的是两者信息间的传递阶级,谁大谁小。

继续往下走,了解了装饰模式是为已有功能动态地添加更多功能的一种方式。

那什么叫做为已有功能动态地添加更多功能的一种方式呢? 我认为简单的说,就是将一个诺基亚1110变成Iphone4,也就是说使其增加了许多自身不具备的功能。

那装饰模式应该怎么写呢?我感觉应该先把公共类写出来,也就是最基本的效果写出来,

然后用这些最基本的效果按照自己想要的方向组合,具体的代码我还不是很熟悉,所以现在对于装饰模式其实还是出狱一知半解的阶段,半解不到。

作者最后的总结很好

装饰模式总结

装饰模式是为已有的功能动态地添加更多功能的一种方式。

当系统需要新功能的时候,若向旧的类中添加新的代码,这些新加的代码通常装饰了原有类的核心职责或主要行为,但这种做法的问题在于,它们在主类中加入了新的字段,新的方法和新的逻辑,从而增加了主类的复杂度,而这些新加入的东西仅仅是为了满足一些只在某种特定情况下才会执行的特殊行为的需要。而装饰模式切提供了一个非常好的解决方案,他把每个要装饰的功能都放在单独的类中,并让这个类包装他所要装饰的对象,因此,当需要执行特殊行为时,客户端代码就可以在运行时更具需要有选择地、顺序地使用装饰功能包装对象了。

适用性 

  在以下情况下应当使用装饰模式:

  1.需要扩展一个类的功能,或给一个类增加附加责任。 

  2.需要动态地给一个对象增加功能,这些功能能再动态地撤销。 

  3.需要增加由一些基本功能的排列组合而产生的非常大量的功能,从而使继承关系变得不现实。

        

### 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