隐藏在&0xff背后的秘密

 大家好,我是Ziyang。欢迎大家来到我的博客,希望能和大家多多交流。地址:https://www.cnblogs.com/ziyang1060/

对另一博主的博文:https://www.cnblogs.com/think-in-java/p/5527389.html 展开的思考。

在写大作业的时候,一开始对 &0xff 的操作一直处于疑惑状态.。
byte[i] 是8位二进制,0xff 转化成8位二进制就是 11111111,那么byte[i] & 0xff不是还是byte[i]本身吗?

Are you kidding me?将四个字节转换成一个int类型
对于这个问题,我在网上看到一个demo很有趣:

#include<stdio.h>
int main(void)
{
     char byte = -127;
     int a;
     a = byte;
     printf("%d\n", a);
     a = byte & 0xff;
     printf("%d", a);
     
     return 0;
}

然而~在这里插入图片描述
事情开始有趣了起来…

为什么加了 &0xff 反而不对了呢??

我们先来复习一下补数的概念:

对于正数(00000001)原码来说,首位表示符号位,反码与补码都是本身
对于负数(100000001)原码来说,反码是对原码除了符号位之外作取反运算即(111111110)然后作+1运算即(111111111)

再介绍一下符号扩充的概念:

以8位二进制数为例,符号扩充就是指在保持当前值不变的前提下将其转化为16位和32位的二进制数。规则就是,不管是正数还是用补码表示的负数,都只需要用符号位的值(0或1)来填充高位即可。

进入正题:

当将-127赋值给byte的时候,byte作为一个char类型,其计算机存储的补码是10000001(8位)[在计算机中,负数都是以补码形式储存]。

a= byte;//-127

第一次将 byte 作为int类型向控制台输出的时候,编译器作了一个符号扩充的处理,因为int类型是32位二进制数,所以byte扩充后的补码就是1111111111111111111111111 10000001(32位),这个32位二进制补码表示的十进制数也是-127.这说明符号扩充并不会影响当前对应的十进制数的值。

这是一个很好的性质,但是我们将char类型进行int类型的转化的时候,目的并不仅仅是要保证对应十进制数的不变性。比如说我们这次的大作业,是要将4个char类型转化成1个int类型,这就需要保证二进制补码的一致性,也就是4个char类型所对应的二进制01序列原封不动地作为一个int类型的4个字节(高八位 中八位 中八位 低八位)的二进制序列。

a= byte & 0xff;//129

那我们第二次进行赋值的时候为什么会改变a的值呢?
我们来具体分析一下:
之前介绍了符号扩充的概念,当byte(10000001)要转化为int的时候,高的24位必然会补1。这样,其二进制补码其实就已经改变了。而&0xff(11111111)可以将byte变int时,高的24位设置为0,低8位保持byte的原样。

那可能会有同学疑惑:为什么0xff 高的24位不会同样补1呢?这是因为 0xff或者0xFF本身就是一个int的字面常量,自身就是32位长的,所以不会进行符号扩充。

当然,在我想保证二进制补码一致性的时候,二进制数所对应十进制数自然也就发生变化啦。这是无法兼得滴~

来看看代码的具体实现:

a= byte & 0xff;//129

byte & 0xff = 111111111111111111111111110000001&11111111
=000000000000000000000000 10000001

这个二进制数位权加一下就是129啦

这很好的解释了为什么加了 &0xff 结果反而出错了:

因为这个时候的程序保证了二进制补码的一致性而不是对应十进制数的一致性。

最后

咱们回到刚开始大作业转换算法的问题。我们是想保证二进制补码的一致性,所以要先对byte进行 &0xff 操作。当然假如byte的符号位位0 ,那么 &0xff 就没有什么意义。但是当byte的符号位为1的时候,你就需要掂量一下了,因为你最后是要和 value进行 逻辑或 操作的(很大概率你辛辛苦苦获得的二进制序列可就全部变成1了哦)!!

  • 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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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