10月30

课堂笔记
单路分支
遇到某个情况时,会做某个事
语法
二路分支
判断一个条件,如果成立,执行a,否则,就执行b
if(条件){
条件成立时的情况
} else{
条件不成立时的情况
}
多路分支
判断条件1,如果成立,执行事件1。如果不成立,那么判断条件2,条件2如果成立,就执行事件2,不成立那就判断条件n,如果所有条件均不成立,那就执行else分支里的内容
格式
if(条件1){
条件成立时的情况
} else if(条件2){
条件2成立时的情况
} else if(条件n){
条件n成立时的情况
}
else{
条件不成立时的情况
}
switch分支
应用
计算机编程大赛的奖励
格式
switch(变量){
case 值1:
要执行的代码;
break;
case 值n:
要执行的代码;
break;
default:
上述值都不匹配时会进入本分支
break;
}
switch分支 vs if 分支
特点
代码比if分支更加简洁
缺点
无法处理范围数据
总结
if语句可以处理任何分支
功能更强
所有switch可以处理的,if都能处理
switch分支专门用于处理定值的分支
局部变量
案例
现象一,a可以正常输出
变量能否正常使用,取决于它在哪里定义
它的生命范围在出生地所对应的花括号范围内
if补充
条件的本质
if(条件){
执行内容
}
条件的本质最终就是布尔值
如果
条件通常是运算的结果,如
temp>=37.3
if(条件){
条件的结果是true,就执行这里代码}
else{
条件的结果是false,执行这里的代码
}
结束

  • 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
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
### 回答1: 可以使用JavaScript中的Date对象来计算天数,具体实现如下: ```javascript // 定义起始日期和结束日期 var startDate = new Date('2020-10-30'); var endDate = new Date(); // 计算天数 var days = parseInt((endDate - startDate) / (1000 * 60 * 60 * 24)); // 输出结果 console.log('从2020年1030日到今天一共经过了' + days + '天'); ``` 其中,Date对象表示一个日期和时间,new Date()表示获取当前日期和时间。计算天数的公式为:(endDate - startDate) / (1000 * 60 * 60 * 24),其中1000表示1秒,60表示1分钟,60表示1小时,24表示1天,即计算出两个日期相差多少天。最后使用parseInt()函数将计算结果转换为整数。 ### 回答2: 要计算2020年1030日到今天的天数,可以使用JavaScript中的Date对象来实现。 首先,可以创建两个Date对象来分别表示2020年1030日和今天的日期。通过`new Date(year, month, day)`的方式创建Date对象,其中year为年份,month为份(0表示一,11表示十二),day为日期。 然后,可以使用Math.ceil()函数来计算两个日期之间的天数差。Math.ceil()函数用于向上取整,确保不会出现小数。 最后,将计算的结果保存在一个变量中,并输出到控制台或页面。 以下是一个示例代码: ```javascript // 创建2020年1030日的Date对象 var date1 = new Date(2020, 9, 30); // 份从0开始,所以9表示十 // 创建今天的Date对象 var date2 = new Date(); // 计算两个日期之间的天数差,并向上取整 var diffDays = Math.ceil((date2 - date1) / (1000 * 60 * 60 * 24)); // 输出天数差 console.log("2020年1030日到今天的天数为:" + diffDays + "天"); ``` 运行上述代码,即可得到2020年1030日到今天的天数。注意,代码中的份从0开始计算,所以十需要使用9来表示。另外,计算天数的公式为`(date2 - date1) / (1000 * 60 * 60 * 24)`,其中1000表示毫秒数,60表示每分钟的秒数,60表示每小时的分钟数,24表示每天的小时数。 ### 回答3: 要计算2020年1030日到今天的天数,可以使用JavaScript的日期对象和相关方法。 首先,我们需要获取当前的日期。可以使用JavaScript的Date对象,使用`new Date()`来创建一个表示当前时间的日期对象。 接下来,我们需要创建一个表示指定日期的日期对象。我们可以使用`new Date(year, month, day)`来创建日期对象,其中year表示年份,month表示份(注意份从0开始,即0表示1,11表示12),day表示日期。 所以,我们可以使用以下代码来计算天数: ``` // 获取当前日期 let today = new Date(); // 创建指定日期对象,2020年1030日 let specifiedDate = new Date(2020, 9, 30); // 注意份从0开始 // 计算相差的天数 let timeDiff = today.getTime() - specifiedDate.getTime(); let daysDiff = Math.floor(timeDiff / (1000 * 3600 * 24)); console.log("从2020年1030日到今天的天数:" + daysDiff + "天"); ``` 以上代码中的`getTime()`方法用于获取日期对象的时间戳,单位为毫秒。我们计算两个日期对象的时间差,并将其转换为天数(除以1000毫秒,再除以3600秒,再除以24小时,即可得到天数)。 最后,我们使用`console.log()`将计算结果输出。 请注意,由于当前日期会不断变化,因此每次运行以上代码时,结果都会不同。
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