java---集合

一怎么统揽全局看集合。由类的继承实现从上往下,头是collection接口往下,分两个派系,list和set,那list代表了啥特点?list队列很显然有索引,不计较重复,输入输出有序。反面就是set的。但没那么绝对。比如linkedhashset就是有序。


二各自下有哪些?list下有arraylist(里面就一数组,查找块),linkedlist(链表,增删快,提供方法多在于首尾增删),vector(jdk1.1时的唯一一个线程安全,基本不用)。set有hashset(里面就一hashmap),linkedhashset(有序),hashtable(跟vector一样,弃用)。


三集合有个特点,集合里面每个元素都是地址指向,肯定不是基础变量。你想下,如果存了个1,要能代表个啥,元素取出来能改吗?肯定得地址指向到对象才可以做起事来。空有一个常量池没有实际对象都改不了,再说基本常量在栈,栈方法没了就没了,我们要搞堆。平时调存数字是他做了进一步封装。


四想了下,这么几个,就set中hashset哈希集有点意思。咋意思?他搞了个哈希键值对,哈希集就单列值,存键,值不在乎。核心还是在哈希键值对hashmap,这家伙不重复在于哈希和==和equals。哈希是啥?跟每个人身份证一个道理,尽量唯一表示对象。你想怎么设计就怎么设计。工具可以自动生成。改写了哈希,必然改写equals。sun公司强制规定了哈希同个对象每次出来哈希必须一样,同个对象地址引用equals情况下,必须哈希相等。超类object有说明。有需要的情况,你可以改写自己的定义类下的哈希和equals。哈希和equals都不一致就算不重复。不同地址的一个对象肯定不会重复,就算对象里面赋予的值相等。八大基本类型还有string都改写。还有哈希键值对采用了数组链表,都说好,不评论。初始化数组,数组下挂哈希值一样的对象,他们叫桶。扩充因子,不宜过大也不宜过小,过大,数组整个复制,好大,过小老是复制浪费。数组复制,内存再开一个,之前的就不要了,翻倍扩充。


五,迭代模式,接口作为内部类实现,不暴露集合的内部。增强for,继承iteratable,可采用foreach形式。


六所有集合遍历都是迭代模式,哈希键值对,转成set也是一个道理。存entry

 

七平常考虑择选用哪个集合,考虑数组和链表,要是在内存里面就100字节大小。不一定可以new一个100字节的数组,但是new一个100字节链表应该没问题。数组特性连续,地址查找1000起始地址+int4字节*n,快速,链表查找都遍历指针。复杂度高。要是选了arraylist,数组又存在扩充复制的方式,旧的就给丢弃了。那咋办,尽量在阔以确定长度的情况下,确定,免得又要动态扩充,浪费n个数组。

 

  • 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