Groovy 2.0发布

Groovy开发团队今天发布了Groovy 2.0候选版本。

该版本最大的变化是在模块化方面,构建工具现在已经完全切换到了Gradle,用以构建一个更加模块化的Groovy。现在你可以有一个大而全的JAR,也可以只采用核心JAR以及项目需要的模块。

该版本还包括了一些重要的功能改进和bug修复,如下:

[GROOVY-5073] – 添加静态类型检查功能。
[GROOVY-5460] – 如果使用HTML构建器创建一个 标签,URL中的“&”被改变为“&”。
[GROOVY-2116] – 添加一个扩展机制,允许新的GDK方法添加到其他库中。
[GROOVY-5138] – 改善了静态编译。
[GROOVY-5431] – 允许@EqualsAndHashCode、@Canonical、@TupleConstructor和@ToString使用一组字符串
[GROOVY-5432] – 修复@EqualsAndHashCode中的GroovyDoc错误。
[GROOVY-5448] – indy使用转换点来更改常量metaclass。
详细信息:ReleaseNote

下载地址: http://groovy.codehaus.org/Download?nc

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/301743/viewspace-731704/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/301743/viewspace-731704/

  • 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