枚举类型

 

在一些实际应用问题中,有些变量的取值被限定在一个有限的范围内。例如一周只有七天,一年只有12个月等,可以把此类变量定义为枚举类型。枚举类型的定义中列举出所有可能的取值,说明为该枚举类型的变量取值不能超过定义的范围。·

注意:枚举类型是一种基本的数据类型,而不是构造类型,因为枚举类型变量只能取一个值,它也不能再分解为任何类型。

 

1.定义

定义枚举类型的一般形式为:

enum 枚举名 { 枚举常量表 } ;

在枚举常量表中应列出所有可用的常量,这些常量也称为枚举元素。

例如:

enum weekday {sun, mou, tue, wed, thu, fri, sat } ;

该枚举名为weekday,枚举元素有7个,凡是被说明为weekday类型变量的取值只能是7天中的某一个值。

 

2.枚举变量的说明

可以先定义类型再说明变量,或者在定义类型的同时说明变量。

例如:

enum weekday {sun, mou, tue, wed, thu, fri, sat } ;

enum weekday d1, d2, d3 ;

或者:

enum weekday {sun, mou, tue, wed, thu, fri, sat } d1, d2, d3 ;

或者:

enum  {sun, mou, tue, wed, thu, fri, sat } d1, d2, d3 ;

 

3.注意事项

1)不能在程序中用赋值语句对枚举常量进行赋值。

例如sun=5; mon=2; sun=mon;都是错误的。

 

2)枚举元素本身由系统定义了一个表示序号的数值,从0开始顺序定义为0,1,2,……。但也可以在定义类型时改变枚举元素的值。

例如:上面的weekday中,sun值为0,mon值为1,……

也可以定义成:enum weekday {sun=7, mou, tue, wed, thu, fri, sat } ;,sun=7,mon=8,其后的元素值顺序加1,sat=13。

 

3)可以把枚举常量赋给枚举变量,但不能把元素的序号值赋给枚举变量。

例如:

d1=sun;d2=mon;——正确。

d1=0;   d2=1;      ——错误。

 

如果一定要把数值赋值给枚举变量,则必须用强制类型转换。

例如:

d1= (enum weekday)2;

意义是将顺序号为2的枚举元素赋给枚举变量d1,相当于d1=tue;另外,枚举元素不是字符常量也不是字符串常量,使用时不要加单、双引号。

 

4)枚举变量的值不能直接通过输入函数从键盘上读入,只能通过赋值语句或间接的输入;也不能通过枚举变量直接输出其元素。

 

 

笔试中的一道题:

enum bg_color {BG_RED,BG_BLACK,BG_BLUE};
enum fg_color {FG_RED=2,FG_BLACK,FG_YELLOW,FG_GREEN};

int get(int type)
{
    static int bc;
    static int fc=FG_BLACK;
if(type==0){return ++bc;} else{return ++fc;} } cout<<get(1)<<endl;

 

输出:4

 

FG_BLACK、FG_YELLOW、FG_GREEN分别为 3 、4、5.

 

转载于:https://www.cnblogs.com/Tang-tangt/p/10191419.html

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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