欢迎使用CSDN-markdown编辑器

集合类

0.数组与集合

数组

  1. 元素类型必须相同,包括基本数据类型和对象引用。
  2. 数组长度固定。
  3. 数组地址连续
  4. 可使用下标访问
  5. 易抛出null指针异常和索引越界异常

集合

  1. 只能存储对象
  2. 容器
  3. 长度可变
  4. 元素类型可以不同
  5. 元素个数size
  6. 位于 java.util.*;
  7. 判断集合有效性:先判断集合是否存在,在判断集合不为空。顺序相反时,会发生逻辑短路。

== 和 equals

  1. ==
    • 判断对象是否是一个。地址是否相同
  2. equals
    • 判断对象内容是否相同,默认调用Object的equals()方法,而该方法判断地址是否相同

1.List

特点

  1. 可重复
    • 只与equals()方法有关
  2. 有序

ArrayList 线程不安全

——–class java.util.ArrayList
1. 内部封装数组,扩容机制是数组复制
2. 内存连续
2. 查快,删、增慢

Vector

  • 线程安全版ArrayList
  • 不推荐使用

LinkedList 线程不安全

  • 链表结构的集合
    1. 双指针节点,双向链表,无环
    2. 增删快,查慢

2.Set

  1. 不可重复,可用于去重
    • 依赖于equals()方法
      • 一般需要重写该方法实现对象内容的判断。
  2. Set是特殊的Map,其value是一个占位的垃圾对象。
  3. 只可通过迭代器迭代访问元素

HashSet 线程不安全

  1. 内部实现调用HashMap
  2. 与HashMap完全相同
  3. 存取速度快

TreeSet 线程不安全

  • 线程不安全,可以对Set进行排序
  • 通过compareTo或compare方法来保证元素的唯一性,元素以二叉树形式存放。
  • 排序实现方式(两种法则):
    • Comparable接口,实现compareTo()方法。
      • 数据类实现Comparable接口,实现compareTo()方法
    • Comparator,对比器。
      • 定义数据特有的Comparator对比器类,实现Comparator对比器,实现compare()方法。定义集合时,把对比器对象作为参数传递。

3.Map

–interface java.util.Map
1. 映射 key-value
2. Entry集合。一个Entry对应一个key-value对
3. key不重复,无序,同set
4. Map.size是Entry个数
5. Map接口是单独接口,没有继承任何接口,与之前版本不同,但引用了collection接口
6. put()
1. 将key和value关联,如果key存在,则value被覆盖
6. Map集合没有直接取出元素方法,先转成set集合,再通过迭代获取
7. get(key)
8. entrySet
9. keySet;

HashMap 线程不安全

–class java.util.AbstractMap
—class java.util.HashMap
* 数组+链表
* 存取速度块
1. hash()实现原理,为什么:
1. 获取key的hashcode,然后^右移16位后值得到一个Newhash,移位目的与更多特征值相关,异或为了使对象更加分散(与运算积聚在低位,或运算积聚在高位)
2. Newhash与数组长度减一与运算得到在数组下标范围内的值。桶的概念
2. clear 清空桶
2. 元素重复判断标准 : p.hash == hash && ((k = p.key ) == key || (key != null && key.equals(k)))
1. new hash不同,对象不同
2. new hash相同,对象是同一对象,则对象相同。
3. new hash相同,对象不是同一对象,在判断equals方法,则对象相同性判定和equals一致。
* hash不相等 > hash相等
3. 数据类型:Node

TreeMap

  • 对key进行排序,排序原理与TreeSet相同
  • key - value

HashTable 线程安全

4.collections

  • 集合工具类
    1. binarySearch
    2. copy
    3. synchronizedList
    4. List<String> names = Collections.synchroizedList(new ArrayList<String>());
    5. max
    6. sort
    7. 指定对比器对象

arraycopy

  • 数组拷贝,类型不限制
    • 基本类型拷贝内容数据副本
    • 对象拷贝内容是对象地址(引用),对象具有一致性

5.Arrays 数组工具类

  • asList()将参数转换成Array$ArrayList集合对象
  • sort 数组排序
  • binarySearch 二分查找

6.foreach()

  • 增强for()循环
  • 数组可以、集合可以、Iterable

变长参数

java
public void adTel (String... str){
for( String s : str){
tels.add(s);
for( int i=0; i<str.length; i++){
tels.add(str[i]);
}

* 三点表示变长参数,使用增强for循环遍历变长参数的值,相当于数组
* 没有空值异常,即参数可零个或多个
* 变长参数必须位于方法最后一个参数,一个方法不能有多个变长参数

  • 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