反射、加载与垃圾回收

反射:reflect
属性:field
构造:constructor
方法/行为:method
被申明的:declared

动态性:它可以在运行期探究和使用编译期未知的东西(类、属性、方法、构造等等)
能够通过反射产生对象(最基本的)
能够通过反射探究类当中我们所关注的构造、方法或者属性
能够体会在运行期去探究类的使用任意构造、方法和属性,体会到反射的动态性

类加载:
由类加载器完成,类的class文件读入内存后,就会创建一个java.lang.Class对象。一旦某个类被载入到JVM用,同一个类就不会再次被载入。
链接:把类的二进制数据合并到JRE中
初始化:JVM负责对类进行初始化,也就是对静态属性进行初始化。在java类中,对静态属性指定初始化方式有两种:
1.声明静态属性时的指定初始值
2.使用静态初始化块为静态属性指定初始值

反射(reflect):
反射就是让你可以通过名称来得到对象(类属性、方法)的技术
反射的使用:
1.学会获取Class对象(必须知道三种方式,代码要会写,最重要的是forName面试常考)
2.通过Class对象探究这个类的信息(方法、属性、等等总共12种,记四个单词,要会调用)
3.使用反射操作从Class对象中探究的信息(必须会用class对象的newinstance实现,以及get/set方法、invoke)
最重要的是class.forName和newinstance
一个类所对应的Class类型的对象只有一个

获取Class对象中的信息:
1.探究一个类的声申明部分信息
2.探究属性
有一个declared,表示被申明的,意思是不管修饰符的限制,得到所有被申明的属性(构造也是一样)
3.探究构造
由于代码是放在代码段的,所以在打印的时候不打不出来方法的具体实现,因为这是在class对象身上是没有的
在得到构造方法的名字的时候,得到的是全类名
得到指定构造,靠参数列表分别,并且是传给class对象的,其中参数类型,参数顺序都不能变,不然找不到指定构造
当数组用来做形式参数的时候,三个点发的方式是一个语法糖,外部调用者,无需一定创建数组实参,内部实现者,仍然按数组的方式使用形参
4.探究方法/行为
得到某个指定的方法,名字和参数都要给

获取Class对象:
1.根据实例对象获取Class对象
实现方法:调用实例对象的getClass(),该方法是来自于Object类
动态性:无
适用范围:引用数据类型
Student stu = new Student();
Class stuClass0 = stu.getClass();
Int [] intArray = new int[];
Class arrayClass0 = intArray.getClass();
2.根据类型名获取Class对象(这里的Student是一个标识符,是一个类名)
实现方法:调用类型名.class
适用范围:所有的类型(基本类型、引用类型甚至包括void)
动态性:无
Class stuClass1 = Student.class;
Class strClass1 = String.class;
Class arrayClass1 = int[].class;
Class integerClass = integer.class; 获取包装类integer的class对象
Class intClass1 = Integer.TYPE; 获取int的Class对象,该方式在JDK1.5之前
Class intClass = int.class; 获取int的Class对象,该方式在JDK1.5后才有
Class voidClass = void.class; (void也有class对象)
3.根据类型的字符串名称获取Class对象(如果在编译期不知道,但在运行期可以获得)
实现方式:调用Class.forName(“类的限定名”)
适用范围:只有类类型(接口)
动态性:有
Class stuClass2 = null;
Try{
stuClass2 = Class.forName(“com.lovo.bean.Student”);
}catch(ClassNotFoundException e){
e.printStackTrace();
}
又如:
Class stuClass2 = null;
Try{
String className = new Scanner(System.in).next();
stuClass2 = Class.forName(className);
}catch(ClassNotFoundException e){
e.printStackTrace();
}

根据反射探究到的信息进行操作:
1.根据Constructor对象产生实例对象
实现一:
调用Constructor对象的newinstance方法,此时产生的对象是一个全新的对象,这是在java中第二种产生对象的方式,第一种是靠new出来的。这种实现比较麻烦,因此有了实现二。
实现二:
直接调用Class对象的newinstance的方法,但是这种方法只能是调用到公共无参构造
2.根据Filed对象,对属性进行取值和赋值
实现:调用Fliled的get/set方法
赋值的时候直接用set,但是此时会传两个参,此时的第一个参数代表的是给哪个对象的属性赋值。取值的时候用的是get,此时的参数代表了从那个对象的属性去取值
同样的还是不能在外部操作(用)私有的属性
3.调用方法:根据method对象,对方法进行调用
实现:调用method对象的invoke方法
当调用方法的时候也是需要两个参数,第一个是调用谁的方法,传的是一个对象,第二个传的是实参,有就传,没有就不传

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 6
    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 6
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