第六周项目五友元类

/*Copyright(c)2014,烟台大学计算机学院
 *Allrights reserved.
 *文件名称:MADE2.cpp
 *作    者:张生栋
 *完成日期:2015年4月15日
 *问题描述:定义下面两个类的成员函数(为体验友元类,实际上本例并不一定是一个好的设
 计,将两个类的合并为一个DateTime,日期、时间都处理更好)
 *输入描述:无
 *输出描述:略
 *版 本 号:v1.0
 */
#include<iostream>
#include<Cmath>
using namespace std;
class Date; //对Date类的提前引用声明
class Time
{
public:
    Time(int,int,int);
    void add_a_second(Date &);  //增加1秒,1秒后可能会到了下一天,乃到下一月、下一年
    void display(Date &);  //显示时间,格式:月/日/年 时:分:秒
private:
    int hour;
    int minute;
    int sec;
};


class Date
{
public:
    Date(int,int,int);
    friend class Time; //Time为Date的友元类
private:
    int month;
    int day;
    int year;
};

int main( )
{
    Time t1(23,59,32);
    Date d1(12,31,2013);   //测试时,再试试Date d1(2,28,2013)会如何
    for(int i=0; i<=100; i++)
    {
        t1.add_a_second(d1);
        t1.display(d1);
    }
    return 0;
}
//下面定义两个类中的成员函数,要求不得再增加成员函数
//注意体会在Time的成员函数中可以调用Date类的私有数据成员
Time::Time(int h,int m,int s)
{
    hour=h;
    minute=m;
    sec=s;
}
Date::Date(int m,int d,int y)
{
    month=m;
    day=d;
    year=y;
}
int days(int m, int y);
void Time::add_a_second(Date &d)
{
    if(++sec>=60) minute++,sec-=60;
    if(++minute>=60) hour++,minute-=60;
    if(++hour>=24) d.day++,hour-=24;
    if(d.day>days(d.month,d.year)) d.month++,d.day=1;
    if(d.month>12) d.year++,d.month-=12;
}
void Time::display(Date &d)
{
    cout<<d.year<<"年"<<d.month<<"月"<<d.day<<"天";
    cout<<hour<<"时"<<minute<<"分"<<sec<<"秒"<<endl;
}
int days(int m,int y)
{
    int d[]={0,31,28,31,30,31,30,31,31,30,31,30,31};
    if((y%100==0&&y%4!=0)||(y%400==0)) d[2]=29;
    return d[m];
}
运行结果:
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