设计模式之工厂模式

定义:定义一个用于创建对象的接口,让子类决定实例化哪一个类,Factory Method 使一个类的实例化延迟到其子类。
结构类图下:

在这里插入图片描述

Product:实际需要使用的对象的接口。
Concrete Product:具体Product接口的实现对象。
Creator:创建器,声明工厂方法;
ConcreteCreator:具体的创建器对象,覆盖实现Creator实现的定义的工厂方法,返回具体的Product实例。

应用场景示例:比如业务场景,需要我们实现将一些数据输出,输出的格式可以使xml或者txt等格式。

文件输出接口:

/**
 * 导出数据的接口
 * @author w_zhanggs
 *
 */
public interface ExportFile {
	boolean export(String data);
}

xml实现:

public class ExportFileXml implements ExportFile {

	@Override
	public boolean export(String data) {
		if(data == null) return false;
		System.out.println("将数据"+data+"导出为xml格式");
		return true;
	}

}

txt实现:

public class ExportFileTxt implements ExportFile {

	@Override
	public boolean export(String data) {
		if(data == null) return false;
		System.out.println("将数据"+data+"导出为txt格式");
		return true;
	}

}

实际使用ExportFile 接口的类(不适用工厂模式):


public  class ExportFileOperate {
	/**
	 * 实现导出数据
	 * 
	 * @param data
	 * @return
	 */
	public boolean exporFile(String data,int type) {
		// 比如进行数据导出前进行数据的检验,转换等。
		System.out.println("进行数据校验");
		System.out.println("进行数据转换");
		//此时还不知道将数据导出的格式,具体的实现由子类来实现
		ExportFile exportFile = null;
		if(type == 0) {
			exportFile = new ExportFileTxt();
		}else {
			exportFile = new ExportFileXml();
		}
		return exportFile.export(data);
	}


}

客户端:

public class Client {
	public static void main(String[] args) {
		ExportFileOperate exportFileOperate = new ExportFileOperate();
		exportFileOperate.exporFile("yyyyy", 0);
	}
}

如上不适用模式存在的问题是:
1.客户端需要使用传一个type的参数,决定数据的导出方式,无法控制客户端的传参行为
2.如果新增导出dmp文件的形式,需要修改ExportFileOperate 的exporFile方法,违反了开闭原则。
3.exporFile方法的职责不明确,该方法应专注于业务逻辑的实现,不应该花费力气去创建对象。

使用工厂模式改造以上的类,ExportFileOperate 改为抽象类,并增加一个factoryMethod的抽象方法。

public abstract  class ExportFileOperate {
	/**
	 * 实现导出数据
	 * 
	 * @param data
	 * @return
	 */
	public boolean exporFile(String data,int type) {
		// 比如进行数据导出前进行数据的检验,转换等。
		System.out.println("进行数据校验");
		System.out.println("进行数据转换");
		//此时还不知道将数据导出的格式,具体的实现由子类来实现
		ExportFile exportFile = factoryMethod();
		return exportFile.export(data);
	}
    /**
     * 创建工厂的方法
     * @return
     */
	public abstract ExportFile factoryMethod();

}

新增ExportFileOperate 抽象类的具体实现类:ExportFileXmlOperate 和ExportFileTxtOperate


public class ExportFileXmlOperate extends ExportFileOperate {

	@Override
	public ExportFile factoryMethod() {
		// TODO Auto-generated method stub
		return new ExportFileXml();
	}

}

public class ExportFileTxtOperate extends ExportFileOperate {

	@Override
	public ExportFile factoryMethod() {
		// TODO Auto-generated method stub
		return new ExportFileTxt();
	}

}

经过工厂模式的改造后的client端如下:

public class Client {
	public static void main(String[] args) {
		ExportFileOperate exportFileOperate = new ExportFileTxtOperate();
		exportFileOperate.exporFile("yyyyy", 0);
	}
}

工厂模式的本质:延迟实现到子类。

优缺点:
1.实现面向抽象编程,更容易扩展
2.工厂方法和具体对象有耦合

  • 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