《Java多线程编程核心技术》阅读摘要(二)

T1:特殊的线程安全:局部变量---因为是私有的

T2:synchronized的对象有两个方法

1.一个同步方法,一个非同步方法:同步方法只能同步调用;非同步方法可以异步调用。

2.两个同步方法:只能同步调用一个方法。

T3:synchronized具有锁重入功能(除了死锁的情况,只考虑一个线程)【可重入锁:自己可以再次获取自己的内部锁

当线程A调用类的同步方法1时,线程A也可以调用同一个类的同步方法2。包括子类可以通过同步锁调用父类的同步方法

但是由于同步不可继承,子类方法也需要是同步的。

T4:不可重入锁,是在逻辑实现上产生的一种无限死循环。因为锁本身是可重入的。

T5:线程异常结果:释放锁

T6:为何使用同步语句块

因为当同步方法时,后面的线程必须等前面线程释放这个方法的锁时才能执行。而同步代码块好处是只锁指定的逻辑。

T7:这本书。。。讲道理我看不下去了 因为全是教你怎么用 并发编程思想太少 出于效率考量 大致浏览后觉得没什么写的 转看Java并发编程艺术这本书了 并不是这本书不好 只是不适合时间紧缺的我

  • 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。 、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