多态

多态

分类
编译时多态/早绑定/overload:函数和运算符重载
运行时多态/晚绑定/override:继承与虚函数

  • 覆盖(重写override)与虚函数的使用

    • 覆盖成立的三个条件
      1.继承
      2.子类覆盖(重写)父类虚函数
      3.父类指针/引用指向子类

    • 多态产生的效果
      同样的调用语句实现不同的表现,框架的基石,设计模式的基础。

    • 虚函数定义规则:
        1.如果虚函数在基类与派生类中出现,仅仅是名字相同,而形式参数不同,或者是返回类型不同,有无const.那么即使加上了virtual关键字,也是不会覆盖。
        2.只有类的成员函数才能说明为虚函数,因为虚函数仅适合用与有继承关系的类对象,所以普通函数不能说明为虚函数。
        3.静态成员函数不能是虚函数,因为静态成员函数的特点是不受限制于某个对象。
        4.内联(inline)函数不能是虚函数,因为内联函数不能在运行中动态确定位置。即使虚函数在类的内部定义,但是在编译的时候系统仍然将它看做是非内联的。
        5.构造函数不能是虚函数,因为构造的时候,对象还是一片未定型的空间,只有构造完成后,对象才是具体类的实例。
        6.析构函数可以是虚函数,而且通常声明为虚函数。

子类以new方式实例化,指针赋值给父类指针,delete父类指针时,只调用父类的析构函数,不调用子类的析构函数。

class A{
  virtual void test(){}
};
class B:public A{
  void test(){}
};
class C:public B{
  void test(){}
};
class A{
  virtual void test(){}
};
class B:public A{
};
class C:public B{
  void test(){}
};

特例

class A{
  virtual A* test(){}
};
class B:public A{
  B* test(){}
};

构造函数和析构函数是否可以是虚函数?

  • 多态的实现原理分析
    当类中声明虚函数时,编译器会在类中生成一个虚函数表(基类和派生类中各自都会生成一个)

    虚函数表
    虚函数表是一个存储类成员函数指针的数据结构
    虚函数表是由编译器自动生成和维护的
    virtual函数会被编译器放入虚函数表中
    存在虚函数时,每个对象当中都有一个指向虚函数表的指针(vptr指针)

  • 纯虚函数
    纯虚函数是在基类中声明的虚函数,它在基类中没有定义,但要求任何派生类都要定义自己的实现方法。在基类中实现纯虚函数的方法是在函数原型后加=0

class 类名{
    virtual 返回值类型 函数(形参列表) = 0;
}
  • 抽象类
    包含纯虚函数的类称为抽象类。由于抽象类包含了没有定义的纯虚函数,所以不能定义抽象类的对象。

继承抽象类仍然可能是抽象类?
纯虚函数可以写函数体,但是不可能被调用?

  • 0
    点赞
  • 1
    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