C++引用和指针

1.引用:引用是给一个已经定义好的变量赋予一个别名;
2.引用的格式:数据类型& 引用别名=已定义变量名;引用的地址和已定义变量名的地址一样。
3.引用的特点及规则:
(1)一个变量可取多个别名;
(2)引用的变量必须初始化;
(3)引用只能在初始化的时候引用一次,不能改变为再引用其他的变量;
(4)只有常引用才能引用常量,原因:非常量引用的初始值必须为左值( 左值就是能取地址,右值就是只能取值的) ;格式为:const 类型&+别名=目标变量名;
(5)当引用的等式左右两边的数据类型不一样时,需要在左边加上const修饰。原因:右边赋值左边时需要产生一个具有常量的临时变量;而这个临时变量为右值。
#include<iostream>
#include<Windows.h>
using namespace std;

int main()
{
int a = 0;
int c = 1;
double e=1;
int& b = a;
int& b = c; //非法
int& d=1; //非法
const int&d=1;
int& f=e; //非法
const int& f=e;
cout << "a:address:" << &a << endl;
cout << "b:address:" << &b << endl;
system("pause");
return 0;
}
4.引用做参数和值,指针做参数;
引用作为函数的参数可以实现两个变量之间的值的互换;在需要用结构体作为参数时,用引用也可避免使用指针作为参数时所带来的问题;当不希望函数执行过程中,传递的参数不被某一不正当操作二改变,可以使用const 别名传递;传值做参数时,需要产生临时变量接受实参的值,而且不能改变原来变量的值。
void Swap(int& a,int& b)
{
int tmp=a;
int a=b;
int b=tmp;
}
void Swap(int *a,int *b)
{
int *tmp=*a;
int *a=*b;
int *b=tmp;
}
5.引用做返回值和值做返回值
引用做返回值时,调用程序直接访问变量;值做返回值时,值将储存在一个临时区域,调用程序访问临时区域;
int& add(int a,int b)
{
int ret=a+b;
return ret;
}
6.汇编看传值返回和引用返回
注意事项:不返回临时变量的引用
7.引用和指针的区别:
(1)引用在一开始就被初始化而且再也不能改变,指针可以改变;
(2)引用的变量不能为空,而指针可以为空;
(3)3. sizeof指针对象和引用对象的意义不一样。sizeof引用得到的是所指向的变量的大小,而sizeof指针是对象地址的大小。
4. 指针和引用自增(++)自减(--)意义不一样。

  • 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