重载、覆盖和隐藏的区别

“overload”翻译过来就是:超载,过载,重载,超出标准负荷;“override”翻译过来是:重置,覆盖,使原来的失去效果。

  先来说说重载(Overload)的含义,在日常生活中我们经常要清洗一些东西,比如洗车、洗衣服。尽管我们说话的时候并没有明确地说用洗车的方式来洗车,或者用洗衣服 的方式来洗一件衣服,但是谁也不会用洗衣服的方式来洗一辆车,否则等洗完时车早就散架了。我们并不要那么明确地指出来就心知肚明,这就有重载的意思了。在 同一可访问区内被声名的几个具有不同参数列的(参数的类型、个数、顺序不同)同名函数,程序会根据不同的参数列来确定具体调用哪个函数,这种机制叫重载, 重载不关心函数的返回值类型。这里,“重载”的“重”的意思不同于“轻重”的“重”,它是“重复”、“重叠”的意思。例如在同一可访问区内有:
  ① double calculate(double);
  ② double calculate(double,double);
  ③ double calculate(double, int);
  ④ double calculate(int, double);
  ⑤ double calculate(int);
  ⑥ float calculate(float);
  ⑦ float calculate(double);
  六个同名函数calculate,①②③④⑤⑥中任两个均构成重载,⑥和⑦也能构成重载,而①和⑦却不能构成重载,因为①和⑦的参数相同。

函数重载:两个函数的形式参数必须不同(比如参数类型、参数个数和参数顺序,这三者中必须至少有一个不同),而函数的返回值类型可以相同也可以不相同,也就是说函数的返回值类型与函数是否发生重载是没有关系的。
  覆盖(Override)是指派生类中存在重新定义的函数,其函数名、参数列、返回值类型必须同父类中的相对应被覆盖的函数严格一致,覆盖函数和被覆盖函数只有函数体 (花括号中的部分)不同,当派生类对象调用子类中该同名函数时会自动调用子类中的覆盖版本,而不是父类中的被覆盖函数版本,这种机制就叫做覆盖。
  下面我们从成员函数的角度来讲述重载和覆盖的区别。

  成员函数被重载的特征有:
  1) 相同的范围(在同一个类中);
  2) 函数名字相同;
  3) 参数不同;
  4) virtual关键字可有可无。

  覆盖的特征有:
  1) 不同的范围(分别位于派生类与基类);
  2) 函数名字相同;
  3) 参数相同;
  4) 基类函数必须有virtual关键字。

  比如,在下面的程序中:

#include <iostream>

using namespace std;

class A
{
public:
	void f(int x){cout<<"A::f(int) "<<x<<endl;}
	void f(float x){cout<<"A::f(float) "<< x<<endl;}
	virtual void g(void){cout<< "A::g(void)"<<endl;}
};

class B : public A
{
public:
	virtual void g(void){cout<<"B::g(void)"<<endl;}
};

int  main(void)
{
	B d;
	A *p = &d;
	p->f(42); // 运行结果:A::f(int) 42
	p->f(3.14f); // 运行结果:A::f(float) 3.14
	d.g();// 运行结果:B::g(void)
	p->g(); // 运行结果:B::g(void)
	/*
	运行结果显示:
	A::f(int) 42
	A::f(float) 3.14
	B::g(void)
	B::g(void)
	请按任意键继续. . .
	*/
	return 0;
}

  函数A::f(int)与A::f(float)相互重载,而A::g(void)被B::g(void)覆盖。

  隐藏是指派生类的函数屏蔽了与其同名的基类函数,规则如下:
  1) 如果派生类的函数与基类的函数同名,但是参数不同。此时,不论有无virtual关键字,基类的函数将被隐藏(注意别与重载混淆)。
  2) 如果派生类的函数与基类的函数同名,并且参数也相同,但是基类函数没有virtual关键字。此时,基类的函数被隐藏(注意别与覆盖混淆)。

  比如,在下面的程序中:

#include <iostream>
using namespace std;

class A
{
public:
virtual void f(float x){cout<<"A::f(float) "<<x<<endl;}//虚函数
void g(float x){cout<<"A::g(float) "<<x<<endl;}
void h(float x){cout<<"A::h(float) "<<x<<endl;}
};

class B : public A
{
public:
virtual void f(float x){cout<<"B::f(float) "<<x<<endl;}//虚函数
void g(int x){cout<<"B::g(int) "<<x<<endl;}
void h(float x){cout<<"B::h(float) "<<x<<endl;}
using A::g;//这句话是用来引用父类中被隐藏的部分的。
};

int main(void)
{
	B test1;
	A *p = &test1;

	test1.g(99);//B::g(int) 99
	test1.h(88.8);//B::h(float) 88.8
	
	//下面显示了虚函数的功能
	test1.f(66.6);//B::f(float) 66.6
	p->f(55.5);//B::f(float) 55.5

	A test2;
	p = &test2;
	p->f(33.3);//A::f(float) 33.3
	/*
	输出结果是:
	B::g(int) 99
	B::h(float) 88.8
	B::f(float) 66.6
	B::f(float) 55.5
	A::f(float) 33.3
	请按任意键继续. . .
	*/
	return 0;
}

通过分析可知:
(1. 函数B::g(int)隐藏了A::g(float),注意,不是重载。
(2. 函数B::h(float)隐藏了A::h(float),注意,不是覆盖。
(3. 函数B::f(float)覆盖了A::f(float),有virtual。


  看完前面的示例,可能大家还没明白隐藏与覆盖到底有什么区别,因为我们前面都是讲的表面现象,怎样的实现方式,属于什么情况。下面我们就要分析覆盖与隐藏在应用中到底有什么不同之处。在下面的程序中bp和dp指向同一地址,按理说运行结果应该是相同的,可事实并非如此。

int main(void)
{	
	B b;
	A *p_a = &b;
	B *p_b = &b;
	
	//good:behavior依赖于对象的类型
	p_a->f(3.14f);
	p_b->f(3.14f);
	//bad:bahavior依赖于指针类型
	p_a->g(3.14f);
	p_b->g(3.14f);
	//bad:behavior依赖于指针类型
	p_a->h(3.14f);
	p_b->h(3.14f);

	/*
	B::f(float) 3.14
	B::f(float) 3.14
	A::g(float) 3.14
	B::g(int) 3
	A::h(float) 3.14
	B::h(float) 3.14
	请按任意键继续. . .
	*/
	return 0;
}

原文出自【比特网】,转载请保留原文链接:http://soft.chinabyte.com/database/348/12279348.shtml

  • 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