黑马程序员-Java基础

1.Java

(1)Java:是一门编程语言,拥有跨平台(原因:Java有一个自己独立的解析Java软件的解析器,虚拟机JVM,只要操作系统上安装虚拟机,都可以运行java)。

(2)Java语言是严格区分大小写的。

(3)标识符:由任意顺序的字母,下划线,美元符号和数字组成,并且第一个字符不能是数字。标识符不能是Java中的保留关键字。

                 包名:xxxyyyzzz

                 类名接口名:XxxYyyZzz

                 变量名和函数名: xxxYyyZzz

                 常量名:XXX_YYY_ZZZ

(4)变量名:必须是一个有效的标识符,不可以使用Java中的关键字,不能重复,应选择有意义的单词作为变量名

(5)变量的有效范围:1.成员变量:在类体中所定义的变量。在整个类中都有效。

                                                       成员变量的类型前加static,称为静态变量。它的有效范围可以跨类。

                                                       直接以“类名.静态变量”的方式在其他类内使用。

                                  2.局部变量:在类的方法体中定义变量。只在当前代码块中有效

             *注意:局部变量可与成员变量的名字相同,此时成员变量将被一场,即这个成员变量在此方法中暂时失效。

(6)1 . 用于定义访问权限修饰符的关键字

        private(私有的) protected(受保护的)  public(公有的)

    2 . 用于定义类、函数,变量修饰符的关键字

        abstract(抽象的) final(最终的)  static(静态的)  synchronized(同步的) enum(枚举)

     3 .用于定义类与类之间关系的关键字

        extends(继承) implements(实现)

     4 . 用于定义建立实例及引用实例,判断实例的关键字

        new(建立实例)  this(当前引用)  super(父类引用)  instanceof(判断对象类型)

     5 .用于异常处理的关键字

        try(检查异常)  catch(捕获异常)  finally(最终执行

        throw  throws:两多表示抛出异常,但使用位置不同

     6 . 用于包的关键字

        package(创建包) import(导入包)

(7)类型精度从低到高:byte<short<int<long<float<double

      高精度的变量的值赋值给低精度的变量时:(类型名)转换的值        ex:int a=(int)45.23    //45

(8) 转义字符 \n:换行
       \r:按下回车符,window系统回车符是由连个字符来表示\n和\r
       \b:退格,backspace
       \t:制表符,tab
       \ 转移

2.数据类型

8种基本类型
(1)4种整型:byte(1字节) short(2字节) int(4字节) long(8)字节
(2)2种浮点类型:float(4字节) double(8字节)
(3)1种Unicode编码的字符单元 :char(2字节)
(4)1种真值类型: boolean(1字节)

3种引用类型
类class
接口interface
数组array

 

3.运算符

    1 . 算术运算符

    2 . 赋值运算符

    3 . 比较运算符

    4 . 逻辑运算符

        &:只要两边的boolean表达式结果,有一个为false,那么结果就是false。只有两边都为true,结果为true。

        |:两边只要有一个为true,结果为true;只有两边都为false,结果为false。

        ^:两边相同结果是false,两边不同结果是true。 ex: 7~4=3     7~4~4=7  //加密的时候使用

        &时,左边无论真假,右边都进行运算;

        &&时,如果左边为true,右边参与运算,如果左边为false,那么右边不参与运算。

        “|”和“||”的区别同理。

    5 . 位运算符

         | ,&,^ 同上

         <<:左最高位补什么由原有数据的最高位置而定。  ex:  3<<2=12
         >>: 如果最高位0,右移后,用0补空位。
               如果最高位1,右移后,用1补空位。
         >>>:无论最高位是什么,右移后,都用0补。
          ~:反码  取反 

     6 . 三元运算符

           (条件表达式)?表达式1:表达式2

       如果条件为true,运算后的结果是表达式1

       如果条件为false,运算后的结果是表达式2;跟if...else语句一样。

4.类型转换

  基本数据类型   - >   字符串

             基本数据类型+“”

             基本数据类型.toString(基本数据类型值);         ex:Integer.toString(34);

              static String valueOf(基本数据类型值);

   字符串   ->    基本数据类型

             xxx a=Xxx.parseXxx(String);

            ex:int a=Integer.parseInt("123");

                 double b=Double.parseDouble("12.34");

  字符数组  ->  字符串   (char[]  - String)

             构造函数:String(char[] data)        

                               String(char[] data,int offset,int count)   //将字符串中的一部分转成字符串

             静态方法:static String copValueOf(char[] data)

                              static String copValueOf(char[] data,int offset,int count)

                               static String valueOf(char[] data)

  字节数组  ->   字符串  (byte[] - String)

                   String(byte[] data) 

                   String(byte[] data,int offset,int count)


   字符串  ->  字符数组 (String  -  char[])

                   char[] toCharArray();

   字符串  ->  字节数组

                    byte[] getBytes();

   String -> StringBuilder

                    StringBuilder(new String());

   StringBuilder  -> String

                  String toString();

                     ex:StringBuffer sb = new StringBuffer("abc");
                          String s = sb.toString();

  • 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