学习笔记17.10.10

String类的特点:
1.
String strA="hello world";
String strB=new String("hello world");
String strC=strB;
System.out.println(strA==strB);//false
System.out.println(strA==strC);//false
System.out.println(strB==strC);//true
System.out.println(strA.equals(strB));//true
System.out.println(strA.equals(strC));//true
System.out.println(strB.equals(strC));//true


"=="是JAVA提供的关系运算符,此方法的功能主要是进行数值相等判断的,在String类中
比较的是内存地址;
"equals"是String类提供的方法,比较字符串的内容;

字符串常量是String的匿名对象

2.String类实例化:

1.直接赋值

String strA="hello";
System.out.println("hello".equals(strA));//true
所谓的直接赋值相当于把一个匿名对象设置了一个名字,但String类的匿名对象是由系统自动生成的,

不由用户自己创建。

! ! ! !为了避免空指向异常的出现,可以将字符串写在最前面

String input=null;

input.equals("hello")  //报错

"hello".equals(input)  //通过编译

只会开辟一块堆内存空间,并且自动入池。

共享设计模式:

     在JVM底层会存在一个对象池(不一定只保存String对象),当代码之中使用直接赋值方式定义一个String类对象时,会将此字符对象所使用的匿名对象入池保存,而后如果后续还有其他String类对象采用直接赋值方式并设置了同样内容时,那么不会开辟新的堆内存空间,而是使用已有的对象进行引用的分配,继续使用。

2.构造方法

String strA=new String("hello");
String strD="hello";
System.out.println(strD==strA);//false
String strA=new String("hello").intern();
String strD="hello";
System.out.println(strD==strA);//true

使用构造方法的方式进行String类初始化时,会开辟两块堆空间,并且有一块是垃圾空间。

使用构造方法定义的String了对象,其内容不会自动保存在对象池,但可以使用intern()手工入池。


3.字符串一旦定义则不可改变

对于字符串对象内容的改变,是引用关系的改变实现的,并且会产生垃圾堆空间。

所以String的内容不要过多频繁的修改。

String类的使用

String类方法必须全部记住,因为使用频率很高。

1.字符和字符串

(如果某个方法的返回值类型为布尔型,方法名一般习惯性的以is开头)

2.字节和字符串

字节使用byte描述,一般用于数据传输或者进行编码转换

3.字符串的比较

现在只有String类对象才具有大小的判断!!

4.字符串查找

5.字符串替换

使用一个新的字符串替换掉旧的字符串

replaceAll()

6.字符串截取

不能以负数作为截取的开始点

7.字符串拆分

将一个完整的字符串,按照指定的内容拆分为字符串数组

【regex  :正则表达式】

如果是一些敏感字符(正则标记)严格来讲是拆不了的,如果遇见了拆分不了的情况需要经过"\\(就是\)"

转义符来拆分

8.其他

String类虽然提供了大量的支持的方法,但缺少了一个重要的方法 initcap(),首字母大写其他小写。

虽然Java类库里没有此功能,但一些第三方的组件包会提供。







  • 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