2021-02-05仅供自己参考:多态使用

#include<iostream>
#include<string>
using namespace std;
class A
{
public:
	virtual void f1() = 0;
};
class B
{
public:
	virtual void f2() = 0;
};

class C
{
public:
	virtual void f3() = 0;
};

class D
{
public:
	D(A *a, B *b, C *c)
	{
		this->a = a;
		this->b = b;
		this->c = c;
	}
	void f()//接口
	{
		a->f1();
		b->f2();
		c->f3();
	}
	~D()
	{
		if (a != NULL)
		{
			delete a;
			a = NULL;
		}
		if (b != NULL)
		{
			delete b;
			b = NULL;
		}
		if (c != NULL)
		{
			delete c;
			c = NULL;
		}
	}
private:
	A *a;
	B *b;
	C *c;
};

class E1 :public A
{
public:
	virtual void f1()
	{
		cout << "E1_a" << endl;
	}
};

class E2 :public B
{
public:
	virtual void f2()
	{
		cout << "E2_b" << endl;
	}
};

class E3 :public C
{
public:
	virtual void f3()
	{
		cout << "E3_c" << endl;
	}
};

class F1 :public A
{
public:
	virtual void f1()
	{
		cout << "F1_a" << endl;
	}
};

class F2 : public B
{
public:
	virtual void f2()
	{
		cout << "F2_b" << endl;
	}
};

class F3 : public C
{
public:
	virtual void f3()
	{
		cout << "F3_c" << endl;
	}
};
void t1()
{
	A *E_a = new E1;
	B *E_b = new E2;
	C *E_c = new E3;
	D *d1 = new D(E_a, E_b, E_c);
	d1->f();
	delete d1;
	cout << "-------------------"<<endl;
	A *F_a = new F1;
	B *F_b = new F2;
	C *F_c = new F3;
	D *d2 = new D(F_a, F_b, F_c);
	d2->f();
	delete d2;
}
int main()
{
	t1();
	system("pause");
	return 0;
}



具体的类才写具体的函数实现
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。 二、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
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。 二、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