继承、多态


1、继承

1_1、属性  行为  构造方法

(1)、将多个类中相同的属性以及行为提取到另外一个类中,然后让这些类去继承另外一个类,从就拥有了这个类当中的属性以及行为

class A  extends B{}

(2)、A 继承了 B  B是A的父类 A是B的子类

1_2、继承的好坏处

A、好处:提高了代码的复用性,维护性,多态的前提。

B、坏处:提高了耦合性---开发原则 高内聚低耦合

1_3、继承的特点

A、java中继承只支持单继承,不支持多继承。一个类只能有一个爸爸

B、java支持多层继承

 

1_4、成员变量在继承中的访问特点

A、变量名相同:就近原则

B、变量名不同:用谁就是谁

 

1_5、super

A、this--代表本类对象的引用

B、Super

(1)、代表父类的存储空间(可以理解为父类的引用)

(2)、继承是类与类之间的关系,与最终创建的对象无关

(3)、super.属性  super.行为 super(....)

1_6、构造方法

A、不可以被继承

B、创建子类对象的时候  会先执行父类的构造方法--创建子类对象的时候  会先执行父类的构造方法

C、private修饰的成员变量--不能够被直接继承而不是不能继承

D、创建子类对象的时候 子类构造方法的第一行默认会有一个 super() 去调用父类的无参构造。注意  super(...)只能在子类构造方法的第一行

 

1_7、成员方法

A、子类中有用子类的

B、子类中没有找父类要

C、父类中也没有报错

1_8、方法重写注意事项

A、private修饰的方法不能够被重写

B、重写的方法的权限不能低于被重写的方法的权限

C、Public-->默认的权限  不写权限修饰符  就是默认的--default--->private

1_9、属性

A、就近原则

B、private修饰的属性不能够直接被继承。需要通过get与set访问

1_10、行为

A、重写

B、private修饰的方法不可以被重写

C、重写的方法权限不能小于被重写的方法

1_11、构造方法

A、不能够被继承

B、创建子类对象的时候,会先走父类的构造方法。用来初始化父类。

1_12、super

A、super.属性 super.方法 super(....)

 

2、多态

2_1、前提:有继承关系

2_2、格式:父类类型 对象名 = new 子类类型();

2_3、成员访问特点

A、属性---编译看左边 运行看左边

B、方法---编译看左边 运行看右边

2_4、好坏处

A、提高了扩展性

B、消除了不同子类之间的差异性,编写出通用代码,提高了代码的适用性。

C、具体体现:定义方法的时候,使用父类型作为参数,将来在使用的时候,使用具体的子类型参与操作。

D、弊端---不能使用子类中特有的方法

 

2_5、向上转型

A、父类引用指向子类对象

2_6、向下转型

A、父子引用转成子类对象

B、不要瞎转,他原先是谁你才能转成谁

C、比如  动物 安倍 = new 狗();  你可以将 安倍强转成狗类的对象  因为  安倍就是狗 你不能将 安培强转成人

D、向下转型之前  这个对象肯定发生过向上的转型

E、ClassCastException 类型转换异常

F、通过向下转型  我们可以使用子类中特有的成员方法

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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