《Growing Object-Oriented Software Guided by Tests》是一本经典的软件开发书籍，专注于对象导向设计与测试驱动开发（Test-Driven Development, TDD）。这本书由Steve Freeman和Nat Pryce共同撰写，旨在帮助开发者通过测试来指导面向对象软件的构建过程，从而实现更高质量、更具可维护性的代码。
在面向对象编程（Object-Oriented Programming, OOP）领域，本书提供了一系列的原则和最佳实践。它强调了如何利用TDD来驱动设计，而不是先设计后编码。TDD是一种开发方法，提倡先编写测试用例，然后编写刚好足够通过该测试的最小代码量，以此迭代地推进软件开发。
书中的关键知识点包括：
1. **测试驱动开发**：讲解了TDD的基本原则，如“红-绿-重构”循环，即先写失败的测试，再编写使测试通过的代码，最后重构代码以保持简洁。
2. **单元测试**：阐述了编写有效单元测试的重要性，以及如何编写能够覆盖核心业务逻辑的测试用例。
3. **模拟对象（Mocks）与桩对象（Stubs）**：介绍了如何使用这些工具来隔离被测试代码，确保测试的独立性和准确性。
4. **设计模式**：讨论了面向对象设计中的常用模式，如工厂模式、观察者模式等，以及如何在TDD环境中应用它们。
5. **重构**：强调了重构作为持续改进代码结构的关键步骤，讲解了各种常见的重构技术。
6. **对象组合**：探讨了如何通过组合对象而非继承来实现松耦合的设计，提高代码的灵活性和可维护性。
7. **领域驱动设计（Domain-Driven Design, DDD）**：虽然不是主要焦点，但书中也涉及了如何将业务领域的知识融入到代码设计中。
8. **持续集成**：提倡集成测试和持续集成的概念，以确保代码质量在开发过程中得到持续监控。
9. **代码质量与可读性**：强调了编写清晰、可读性强的代码对于团队协作和长期项目维护的重要性。
提供的格式有PDF和EPUB，适应不同的阅读设备，如电脑、平板或电子阅读器。PDF适合在大屏幕设备上阅读，保留了原始布局；EPUB则更适合电子阅读器，具有自动排版和调整字体大小的功能。
《Growing Object-Oriented Software Guided by Tests》是面向对象开发人员的一份宝贵资源，无论你是初学者还是经验丰富的开发者，都能从中学习到如何通过测试驱动来提升软件设计的质量和效率。
2026-04-18 15:38:00
18.05MB
1
深流引导的视频修复
| | |
安装与要求
该代码已在pytorch = 0.4.0和python3.6上进行了测试。 请参阅requirements.txt以获取详细信息。
或者，您可以使用提供的运行它。
安装python软件包
pip install -r requirements.txt
安装flownet2模块
bash install_scripts.sh
配件
此仓库中包含三个组件：
视频修复工具：DFVI
提取流程：FlowNet2（由修改）
图像修复（从重新实现）
用法
要使用我们的视频修复工具删除对象，建议将帧放置在xxx/video_name/frames ，并将每个帧的遮罩放置在xxx/video_name/masks 。 并且请从下载演示和模型权重的资源。 包含帧和蒙版的示例演示已放入演示中，运行以下命令将获得结果：
python tools/v
2024-03-16 12:27:39
47.03MB
1
fir带通滤波器matlab代码使用G_best引导的布谷鸟搜索算法高效设计FIR滤波器
这项工作是我的本科论文的一部分。
抽象的：
此存储库提供了使用G最佳引导的杜鹃搜索（GCS）算法的有限冲激响应（FIR）滤波器的有效设计。
为了减少传统的Cuckoo搜索算法（CSA）中的参数依赖性以及在滤波器设计问题中更好地搜索最佳系数，在所建议的GCS中对CSA方法进行了一些修改，这导致与Cuckoo搜索算法的收敛速度显着提高。最佳解决方案。
在这里，已经使用GCS
，
CSA和人工蜂群（ABC）算法为Type1和Type
2
FIR设计了低通和带通滤波器。
结果：
从GCS，CSA和ABC的图形和统计观察（）中可以看出，
GCS在收敛速度，执行时间和过滤器响应方面均超过了竞争对手。
此外，使用建议的GCS开发的滤波器获得的阻带衰减（As）和通带纹波（Rp）远远优于使用CSA，ABC或Parks
and
McClellan（PM）方法设计的滤波器。
一项平均研究表明，对于较低阶的LPF（类型1和类型2的阶次均小于40），GCS显示As升高9.23％
，Rp降低26.05％
。
对于更高阶的LP
2023-03-13 20:37:17
1.6MB
1
引导扩散
这是的代码库。
该存储库基于 ，并针对分类器调节和架构改进进行了修改。
下载预训练模型
我们已经发布了论文中主要模型的检查点。 在使用这些型号之前，请查看相应的以了解这些型号的预期用途和限制。
以下是每个模型检查点的下载链接：
64x64 分类器：
64x64 扩散：
128x128 分类器：
128x128 扩散：
256x256 分类器：
256x256 扩散：
256x256 扩散（非类条件）：
512x512 分类器：
512x512 扩散：
64x64 -> 256x256 上采样器：
128x128 -> 512x512 上采样器：
LSUN 卧室： lsun_bedroom.pt
LSUN猫： lsun_cat.pt
LSUN 马： lsun_horse.pt
LSUN 马（无辍学）： lsun_horse_nodropout.pt
2023-03-05 10:26:29
54KB
1
自导网络快速图像去噪
SGN的PyTorch实现以及给定噪声范围的估计PSNR
训练
我在Python 3.6和PyTorch 1.0环境上训练了此SGN。 培训策略与论文相同。 您可以使用以下脚本对自己的数据进行训练（请注意，您需要修改数据集路径）：
cd SGN
python train.py or sh zyz.sh
测验
我使用ILSVRC2012验证集对4个NVIDIA TITAN Xp GPU进行了培训，并在1个TITAN Xp GPU上进行了测试。 详细信息显示在代码train.py 。 该演示来自SGN的ILSVRC2012验证集（mu = 0，sigma = 30，batchsize = 32、1000000次迭代）。
左：干净的图像（从COCO2014验证集中选择，COCO_val2014_000000264615.jpg）
中：加性高斯噪声+清晰图像
右
2022-12-15 22:52:09
2.47MB
1
提出了一种简单而有效的自我引导学习方法，即挖掘丢失的关键信息。具体来说，通过对标注的支持图像进行初始预测，将覆盖和未覆盖的前景区域分别用掩码GAP编码为主支持向量和辅助支持向量。通过主支持向量和辅助支持向量的融合，对查询图像获得了较好的分割性能。在我们的1 shot 分割自我引导模块的启发下，我们提出了一个多次分割的交叉引导模块，其中最终混合使用来自多个带注释的样本的预测，高质量的支持向量贡献更多，反之亦然。该模块改进了推理阶段的最终预测，无需再训练。大量实验表明，我们的方法在pascal -5i和coco -20i数据集上都实现了新的最先进的性能。
2022-09-23 21:05:29
3.72MB
1
具有自适应时间特征分辨率的3D CNN
CVPR 2021论文的源代码： 。 即将推出！ 敬请关注！
@inproceedings{sgs2021,
Author = {Mohsen Fayyaz, Emad Bahrami, Ali Diba, Mehdi Noroozi, Ehsan Adeli, Luc Van Gool, Juergen Gall},
Title = {{3D CNNs with Adaptive Temporal Feature Resolutions}},
Booktitle = {{The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) }},
Year = {2021}
}
2022-09-22 11:32:26
5KB
1
可以直接运行的梯度域引导图滤波Gradient Domain Guided Image Filtering MATLAB源码
2022-09-14 16:15:40
1.09MB
1
kaiming He 的guided image filtering 对应的opencv代码。在jj574435561的基本做了重整理，简化了用法。
2022-06-09 01:01:12
5KB
1
Region Proposal by Guided Anchoring论文介绍 PPT，介绍论文中Anchor的生成机制
2022-05-31 09:25:25
2.48MB
1