第七章 类

7.1定义抽象数据类型    
    
    读写操作,会改变输入输出流的内容,所以传入时 不用常引用(流对象不可被复制,所以 采用引用的方式

     能在类内直接初始化的只有const static 常整型(char、int、long),const初始化
        class A{
        public:
                const int a ;         //只能在初始化列表里面!!!
                static int b;             //不能在类内,只能在外部,因为static不属于任何一个对象,因此不能在构造函数中
                const static int c =1;         //静态常整型OK
                //const static double d =1.0;         //double不行
                //int e = 5; 
                A():a(1){}        //
        };

        int A::b = 1;        //外部定义的类内静态成员;

    通常输出任务的函数减少对格式的控制

     某些类不能依赖与合成的默认构造函数
  1. 某些情况下如果该类需要控制对象初始化,那么可能所有情况都需要控制
  2. 对于某些类,合成的默认构造函数是未定义的
  3. 某些编译器不能为某些类合成默认构造函数(类内包含没有默认构造函数的成员

    struct Sales{
        Sales() = default;
    };            // 表明可以通过编译器默认行为定义构造函数

    不一定必须是默认构造函数,也可以定义一个其他的带参数的构造函数,因为当你定义了一个复制构造函数,编译器就不会自己调用默认构造函数了,所以当你创建一个对象的时候 (如果没有按对应的初始化参数),编译器无法构造这个对象,就出错了。例如只定义了下列的Empty( const Empty &);如果不定义Empty();当创建对象Empty a;的时候,无法正常拥有构造函数,因为编译器不会添加 “合成的默认构造函数”,因此会报错                                                                                                                                    
             class   Empty
        {
        public :
        //    Empty();//当这行注释掉,  Empty empty  定义就错了
             Empty( const  Empty&);
             Empty& operator=( const  Empty&);
             ~Empty();
        };

7.2访问控制与封装

    class与struct的 唯一区别默认访问权限,class=>private , struct =>public
    

    &a是数组指针,其类型为 int (*)a[5];    而指针加1要根据指针类型加上一定的值,    不同类型的指针+1之后增加的大小不同,所以&a+1a+1不同


7.3类的其他特征

     mutable(可变数据成员)是为了突破const的限制,即在任何情况下都可以被修改,所以const函数仍然可以修改mutable这样的变量(感觉C++有点前后矛盾,既然为了防止const函数修改成员变量,又增加了mutable这样的允许被修改的例外存在。。。)

    类存在 不完全类型,即在为定义之前,声明之后都被称为不完全类型,可以定义 指向此类型的指针和引用,或声明(不能定义)函数,该函数以不完全类型作为参数,或返回类型。

     友元不是类的成员!!!!!!

    每个类 负责自己的友元类或者友元函数

     成员函数变成 友元,在A类中声明,在B类中定义,并且加上 friend A::void func(...){},此时,改func就可以访问B中的所有成员了(包括非公有)

     重载函数变成 友元,同样加上 friend关键字,同时在类内部声明

    struct X{
          friend void f(){ cout << "hello" << endl; };
         X(){
             //void f();           如果注释掉会提示出错,因为当前作用域中,需要声明对应的f();
            f();
         }
    };        
     //有些编译器 并不强制执行 上述关于友元的限定规则 只有友元类 才这么奇葩!!!

7.4类的作用域

     Win_mgr::ScreenIndexWin_mgr::addScreen(const  ScreenIndex idx){    ...    }// 第一个返回类型 ScreenIndex由于是Win_mgr内部的,所以需要额外定义,之后就是类外部定义函数体的格式,同时提到,遇到类名后,其后的部分都作用在Win_mgr的作用域下,因此后一个 ScreenIndex类型的idx,却不想要再次声明为 Win_mgr::ScreenIndex  

    编译器处理完类中的 全部声明后,才处理 成员函数定义

7.5构造函数再探

    成员是 const、引用或某种未提供默认构造函数的类类型必须通过 初始值列表初始化

    类成员 初始化顺序类定义中的出现顺序一致!!!因此,如果成员初始化有依赖,则初始化顺序需注意

    委托构造函数,提供一个对应是参数初始化成员列表,然后其他构造函数,使用该委托构造函数,对应于不同的初始值即可
            Sales_data(string s, unsigned cnt,double pri): book(s),sold(cnt),revenue(cnt*pri){ }        //委托构造函数
            //下列构造函数,均委托给上面构造函数(感觉java里是不是也有--。)
            Sales_data():Sales_data("",0,0){    }
            Sales_data(string s ):Sales_data(s,0,0){    }
            ...

7.6类的静态成员
    
     静态成员函数,不能声明成const,也不能使用this指针,因为静态成员不属于任何一个对象。。。

    static关键字只能出现在 类内声明中不能重复出现
  • 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),确定它们的别和位置,是计算机视觉领域的核心问题之一。由于各物体有不同的外观、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。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别(目标分)。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别的概率(首先得到别概率,经过Softmax可得到别标签)。 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: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,并根据分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 预测别匹配真实值(Ground truth)的别 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