2016.11.29

张凌枫<2016.11.29>【连续第13天总结】

A.今日任务
1.复习复习复习
2.对象指针

B.具体任务
1.对象指针视频学习和练习
2.现在用的是将构造函数内坐标的分别输出(以后修改应该也可以用这个办法)
3.这个好像是可以做到给每个对象分别建立一个储存空间用来存储数据,删除的时候统一删除,提高效率》
4.高数不出意外的跪了QAQ,看来需要投入一点时间到高数上去
5.分号啊!!!!!!!!!!

附代码:



#include <iostream>
using namespace std;
class Coordinate
{

public:
    Coordinate(int x, int y)
    {
        m_iX = x;
        m_iY = y;
    }
public:
    int m_iX;
    int m_iY;
};

int main(void)
{
    Coordinate *p = new Coordinate(3,5)
    cout <<"("<<p->m_iX<<","<<p->m_iY<<")" << endl;
    delete p;
    p = NULL;

    return 0;
}

明日任务
1.复习啊
2.对象成员指针

博客地址:http://blog.csdn.net/night__day

  • 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
首先,需要读入数据到 R 中。可以使用以下代码: ``` data <- data.frame( year = c(2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019), tourists = c(2320, 2703, 3638.49, 3970.1, 4862.1, 5027.21, 5622.02, 6290.6, 7036.59, 7739.11), tourism_income = c(252.8, 303.1, 435.23, 501.2, 560.3, 600.71, 681.91, 785.29, 904.76, 904.76), foreign_income = c(4600, 5230, 5590, 3711, 4919, 5588, 6280, 7506, 8341, 8548), gdp_per_capita = c(48955, 58950, 65692, 72774, 82654, 89646, 99150, 112559, 120944, 128856), gdp = c(2207.99, 2630.30, 2933.2, 3252.01, 3697.89, 4016.84, 4449.38, 5064.92, 5466.17, 5850.08) ) ``` 然后,对每个变量进行描述性统计分析,可以使用 `summary()` 函数。 ``` summary(data) ``` 输出结果如下: ``` year tourists tourism_income foreign_income gdp_per_capita gdp Min. :2010 Min. :2320 Min. :252.8 Min. :3711 Min. : 48955 Min. :2208 1st Qu.:2012 1st Qu.:3723 1st Qu.:420.7 1st Qu.:5190 1st Qu.: 69763 1st Qu.:3144 Median :2015 Median :5244 Median :580.6 Median :6284 Median : 86150 Median :4357 Mean :2015 Mean :5070 Mean :583.4 Mean :6105 Mean : 87030 Mean :4269 3rd Qu.:2018 3rd Qu.:6496 3rd Qu.:843.5 3rd Qu.:7923 3rd Qu.:111750 3rd Qu.:5466 Max. :2019 Max. :7739 Max. :904.8 Max. :8548 Max. :128856 Max. :5850 ``` 结果中,每个变量的最小值、第一四分位数、中位数、平均值、第三四分位数和最大值都被统计出来了。 如果需要计算每个变量之间的相关系数,可以使用 `cor()` 函数。 ``` cor(data[, 2:6]) ``` 输出结果如下: ``` tourists tourism_income foreign_income gdp_per_capita gdp tourists 1.0000 0.9989 0.9893 0.9963 0.9961 tourism_income 0.9989 1.0000 0.9877 0.9982 0.9976 foreign_income 0.9893 0.9877 1.0000 0.9923 0.9922 gdp_per_capita 0.9963 0.9982 0.9923 1.0000 0.9999 gdp 0.9961 0.9976 0.9922 0.9999 1.0000 ``` 可以看到,每个变量之间都有很强的相关性。
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