实战篇四

关于线程的中断,我们在基础篇三中已经有所接触,估计大家都会有这么一个感觉,理解这部分内容非常吃力,更不用说自己写程序来验证了。我也是,我花了挺长时间来学习这部分的内容,虽然总是能够感受到线程的中断状态的大概意思,但是就是很难用语言表述出来,所以这部分内容如果分享的不能满足大家的需要,请谅解。
线程的中断状态是独立于线程的五个基本状态之外的一个特殊状态,用来标记线程是否被中断,也就是说是否调用interrupt方法,isInterrupted方法可以记录下这个中断状态。interrupt方法可以改变线程的中断状态,即对一个线程调用interrupt方法后,如果我们检测该线程的isInterrupted,可以发现中断状态由false变为true。我找到了一个比较不错的例子可以帮助我们理解这一部分的内容,我稍作了一点修改,这样,我们不仅能够看到interrupt方法对线程的影响,也可以调用interrupt方法从一个sleep很长时间的线程中退出来。
public class ThreadDemo {
public static void main(String[] args) throws Exception {
ThreadA ta = new ThreadA();
ta.setName("ThreadA");
ta.start();
Thread.sleep(2000); //主线程睡眠2秒以后调用interrupt方法
System.out.println(ta.getName()+"正在被中断。。。");
ta.interrupt();
System.out.println(ta.isInterrupted()+"----------------");
//调用了interrupt方法,ta线程的isInterrupted变为true
}
}

class ThreadA extends Thread {
int count = 0;

public void run() {
System.out.println(getName() + "将要运行。。。");
while (!this.isInterrupted()) {
System.out.println(getName() + "运行中" + count++);
try {
Thread.sleep(4000000);
//线程进入一个非常长时间的睡眠
} catch (InterruptedException e) {
//当本线程睡眠被interrupt中断后将进入本catch语句块
//我发现当线程进入catch语句块后,中断状态被取消了,即isInterrupted变为了false
//所以如果我们在catch中不作处理,该线程将会继续循环下去,再一次进入长睡眠
System.out.println(getName()+"从阻塞状态中退出。。。");
//再一次调用interrupt方法,此时this.isInterrupted()又变为true
//这样继续执行程序时将会退出循环
//如果想退出该线程,还有一个简单的方法,注释掉catch剩下的语句 ,直接用return;
this.interrupt();
System.out.println("本线程是否已经中断(isInterrupted):"+this.isInterrupted());
System.out.println("本线程是否已经中断(isInterrupted):"+this.isInterrupted());
//isInterrupted方法返回线程是否被中断,且不会改变此时的中断状态
//所以两次输出都是true
//而interrupted方法,虽然也可以返回中断状态,但是调用时会取消当前的中断状态
//所以第一次调用时为true,第二次调用结果就为false了
System.out.println("本线程是否已经中断(interrupted):"+Thread.interrupted());
System.out.println("本线程是否已经中断(interrupted):"+Thread.interrupted());
}
}
System.out.println(getName()+"已经停止");
}
}
  • 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
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