实训笔记L4

这篇实训笔记详细介绍了C语言中结构体变量的初始化、指针操作,包括如何通过指针访问结构体成员,以及结构体作为函数参数和共用体类型的使用场景。此外,还提到了枚举类型的运用。
摘要由CSDN通过智能技术生成

结构体变量

初始化

自定义初始化

struct pstu{
    int id;
    char name[20];
}stu[2]={1001,"mike",1002,"john"};

输入初始化

#include<stdio.h>
struct pstu{
    int id;
    char name[20];
}stu[10];
int main()
{
    int i;
    for(i=0;i<10;i++){
        scanf("%d,%s",&stu[i].id,&stu[i].name);
    }

指针

指针

  • 结构体变量的指针就是结构体变量起始元素的地址
  • 如果把一个结构体变量的起始元素的地址赋给某个指针,则这个指针指向结构体变量
  • 指针变量的类型必须与结构体变量的类型相同

使用指针指向结构体变量中的元素

  • 使用指针指向结构变量,一定要给结构变量命名Stu
  • 在定义指针时,要用结构变量名定义
  • 若为数组结构变量,则不需要取地址:p=stu
  • 若不是数组结构变量,则需要取地址:p=&stu
struct Stu{
	int id;
	char name[40];
	int score[2];
}stu[2]={1,"mike",89,96,4,"jane",98,99};
int main()
{
	struct Stu *p;
	p=stu;
	for(;p<stu+2;p++){
		printf("%d\n",p->score[1]);
	}
	
	return 0;
}

指向结构体变量的元素

用结构体变量名

struct pstu{
    int id;
    char name[20];
}stu[10];
struct stu[2].id;

用指针

  • 两种方式:->或.
  • 注意:.的优先级小于*
struct pstu{
    int id;
    char name[20];
}stu;
struct pstu *p;
p=&stu;
p->id;
p.name;
  • 用指针遍历数组结构变量输出时,需要加括号
for(p=stu;p<stu+n;p++){
	printf("%d",*(p+i));
}

结构体变量与函数

做参数

struct pstu{
    int id;
    char name[20];
}stu[10];

void sort(struct pstu stu[]);
  • 调用函数:
sort(stu);

共用体类型

  • 同一段内存单位存放不同的变量
  • 后一个数据覆盖前一个数据,这几个不同类型的数据共享同一段内存结构(结构体是连续的存储
union ID{
	int stuid;
	int teacherid;
}peo[10];
  • 应用场景:二选一的数据
    -若为学生则输入学号,若为教师则输入工号

  • 与结构体的比较:结构体变量所占的内存长度是各个成员所占内存之和,共用体是最长成员变量的内存占有

引用共用体变量

  • 不可以用共用体变量,必须用具体成员
union ID{
	int stuid;
	int teacherid;
}peo[10];
printf("%d",peo[2].stuid);

枚举类型

  • 变量若有范围内的具体值,则一一列举出来
enum weekday{1,2,3,4,5,6,7};
weekday=1;//只能等于范围内的内容,且必须是常量
  • 0
    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)的任务是找出图像中所有感兴趣的目标(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。首先检测图像中目标的位置(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),表示边界框中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)从输入图像中提取特征,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 中进行分类,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取特征值,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中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,选中值最大的框 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) 从未处理的框中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中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