链表(二)

链表size
在这里插入图片描述
size也可以用递归的思想,size+1

链表中的get()函数
在这里插入图片描述
而通常在代码中体现的方式是,代码的循环测试会说,我要一直走,直到下一个有我感兴趣的属性,而不是直到当前节点具有某个属性。
在这里插入图片描述
关于&的理解
&意味着共享,而不是复制
如果没有&
但由于你不能找到它,因此它没有被修改(这个main中的front指针就没传递给调用的函数,而是传给它一份副本指针,就像是快捷链接一样,我们可以有好几个,你想修改的是最初那个,但你拿到是别的,哪怕你修改了,最初那个快捷链接也依然没变化)
所以对于修改链表,都通过引用传递指针
指针的引用和引用指针
指向引用的指针其实就是指向物体的指针
引用是物体的别名
*是对指针所存地址进行解析的操作
&是对给出对象的取地址的操作
addfrist()
在这里插入图片描述
上面的想到与
front=new ListNode(value,front)

removeFirst()
在这里插入图片描述
delete是释放指针指向的没存,避免内存泄漏
指针本身存在于这个函数的局部变量的栈中,当函数返回时,就自动清理掉了,我们清理的是指针指向的堆内存中。

remove()
在这里插入图片描述

  • 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