柱状图

柱状图的一个演示(不带热点提示的) index.jsp 往 barview.jsp 提交 index.jsp code:

<%@

page

 

language="java" pageEncoding="ISO-8859-1"%>

<

 

html>

<

 

head>

 

<title></title>

</

 

head>

<

 

body>

 

<form action="barview.jsp">

 

<input type="text" name="category">

 

<br>

 

<input type="submit" value="submit" />

 

<input type="reset" value="reset" />

 

</form>

</

 

body>

</

html>

 

html>

html>

 

 

 

barview.jsp code

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

<%@

 

 

page language = "java" contentType =

"text/html; charset=UTF-8"

 

 

 

pageEncoding = "UTF-8"

%>

<%@

 

 

page

 

 

 

import = "org.jfree.chart.ChartFactory,org.jfree.chart.JFreeChart,org.jfree.chart.plot.PlotOrientation,org.jfree.chart.servlet.ServletUtilities,org.jfree.data.category.*"

%>

<

 

 

html

>

 

 

< head

>

 

 

< title > jfreechart </ TITLE

>

 

 

</ HEAD

>

 

 

< body

>

 

 

<%

CategoryDataset dataset;

String category = request.getParameter(

 

"category"

);

category =

 

new String(category.getBytes( "ISO8859_1" ), "GBK"

);

 

 

if (category.equals( "本科" ) || category.equals( "高中"

)

|| category.equals(

 

"大专"

)) {

dataset = getDataSet();

}

 

else if (category.equals( "硕士" ) || category.equals( "博士"

)) {

dataset = getDataSet2();

}

 

else

{

dataset = getDataSet3();

}

String title = category +

 

"程序员在各城市薪金情况统计"

;

JFreeChart chart = ChartFactory.createBarChart3D(title,

 

"城市" , "薪金"

,

dataset, PlotOrientation.VERTICAL,

 

true , false , false

);

String filename = ServletUtilities.saveChartAsPNG(chart, 500, 300,

 

 

null

, session);

String graphURL = request.getContextPath()

+

 

"/servlet/DisplayChart?filename="

+ filename;

 

 

%>

 

 

< p ALIGN = "CENTER"

>

 

 

< img src =" <%= graphURL %> " width = 500 height = 300 border =

0

 

 

 

usemap =" <%= filename %> "

>

 

 

</ p

>

 

 

<%! private static

CategoryDataset getDataSet() {

DefaultCategoryDataset dataset =

 

new

DefaultCategoryDataset();

dataset.addValue(2000,

 

"北京" , "VB"

);

dataset.addValue(1800,

 

"上海" , "VB"

);

dataset.addValue(2200,

 

"广州" , "VB"

);

dataset.addValue(3200,

 

"北京" , "JAVA"

);

dataset.addValue(3500,

 

"上海" , "JAVA"

);

dataset.addValue(3600,

 

"广州" , "JAVA"

);

dataset.addValue(3300,

 

"北京" , "DOT NET"

);

dataset.addValue(3400,

 

"上海" , "DOT NET"

);

dataset.addValue(3700,

 

"广州" , "DOT NET"

);

dataset.addValue(2500,

 

"北京" , "DELPHI"

);

dataset.addValue(2800,

 

"上海" , "DELPHI"

);

dataset.addValue(3200,

 

"广州" , "DELPHI"

);

dataset.addValue(5000,

 

"北京" , "VC"

);

dataset.addValue(3500,

 

"上海" , "VC"

);

dataset.addValue(4600,

 

"广州" , "VC"

);

 

 

return

dataset;

}

 

 

 

private static

CategoryDataset getDataSet2() {

DefaultCategoryDataset dataset =

 

new

DefaultCategoryDataset();

dataset.addValue(2000,

 

"上海" , "VB"

);

dataset.addValue(3000,

 

"北京" , "JAVA"

);

dataset.addValue(3330,

 

"上海" , "JAVA"

);

dataset.addValue(3500,

 

"广州" , "JAVA"

);

dataset.addValue(3500,

 

"北京" , "DOT NET"

);

dataset.addValue(4000,

 

"上海" , "DOT NET"

);

dataset.addValue(4800,

 

"广州" , "DOT NET"

);

dataset.addValue(2600,

 

"北京" , "DELPHI"

);

dataset.addValue(2200,

 

"上海" , "DELPHI"

);

dataset.addValue(4000,

 

"北京" , "VC"

);

dataset.addValue(4000,

 

"上海" , "VC"

);

dataset.addValue(4200,

 

"广州" , "VC"

);

 

 

return

dataset;

}

 

 

 

private static

CategoryDataset getDataSet3() {

DefaultCategoryDataset dataset =

 

new

DefaultCategoryDataset();

dataset.addValue(2100,

 

"北京" , "VB"

);

dataset.addValue(2200,

 

"上海" , "VB"

);

dataset.addValue(2100,

 

"广州" , "VB"

);

dataset.addValue(3000,

 

"北京" , "JAVA"

);

dataset.addValue(3200,

 

"上海" , "JAVA"

);

dataset.addValue(3600,

 

"广州" , "JAVA"

);

dataset.addValue(4100,

 

"北京" , "DOT NET"

);

dataset.addValue(4200,

 

"上海" , "DOT NET"

);

dataset.addValue(4160,

 

"广州" , "DOT NET"

);

dataset.addValue(2400,

 

"北京" , "DELPHI"

);

dataset.addValue(2600,

 

"上海" , "DELPHI"

);

dataset.addValue(2500,

 

"广州" , "DELPHI"

);

dataset.addValue(5400,

 

"北京" , "VC"

);

dataset.addValue(5000,

 

"上海" , "VC"

);

dataset.addValue(5500,

 

"广州" , "VC"

);

 

 

return

dataset;

}

 

%>

 

 

</ body

>

</

 

 

html

>

  • 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