2021-05-26JAVA学习第二天

第一章 数据类型转换

1.1数据类型转换_自动转换

特点:代码不需要进行特殊处理,自动完成转换
规则:数据范围从小到大
在这里插入图片描述知识点复习:
八种数据数据类型从低到高排序:
byte→short→char→int→long→float→double

1.2数据类型转换_强制类型转换

特点:代码需要进行特殊的操作,不能完成自动转换
格式:范围小的类型 范围小的变量名 = (范围小的类型)原本范围大的数据
在这里插入图片描述

1.3数据类型转换_注意事项

注意事项:
1.强制类型转换会造成精度损失(Long->int),数据溢出(Double->int)
2.byte,shor,char可以进行数学运算,例如“+”
3.byte,short,char再进行数学运算时候自动提升为int类型
4.boolean类型不能进行数据类型转换
在这里插入图片描述

1.4ASCLL值

在这里插入图片描述
常用:字符0:48 字符A:65 字符a:97

第二章 运算符

2.1四则运算符

加:"+" 减:" - " 乘:"*" 除:"/" 取模:"%"
注意事项:不同类型的数据运算,结果会取大的数据类型

2.2四则运算符 "+"的用法

1.对于数值"+“就是用来计算值
2.对于char类型,提升为int类型然后再进行计算
3.”+"在String类型值是连接符,String与其他任何类型结果都是String类型

2.3算术运算符自增自减运算符

自增运算符:++
自减运算符: –
1.基本含义:一个数增加一个值,一个数减少一个值
2.使用规则:写在变量名之前,写在变量名之后;例如变量名++,++变量名
3.使用方式:
单独使用:单独使用不与其他操作混合使用
混合使用:和其他操作混合使用,例如赋值或者打印操作
4.使用区别
单独使用:没有区别
混合使用:
如果是使用前++或者前–,先进行计算,打印出来的计算之后的值
使用后++或者后–,打印出来的是原来的值

2.4赋值运算符

基本复制运算符:相当于一个等于号"="
例如:int a = 30;
复合赋值运算符:
+=: a+=3 相当于a= a+3;
-=: b-=1 相当于b=b-1;
=: c=4 相当于c=c*4;
/=: d/= 6 相当于d=d/6;
%=: e%=7 相当于e=e%7;

2.5比较运算符

==:比较左面的之是否等于右面的值,相等则结果为ture
<:比较左面的之是否小于右面的值,小于则结果为ture

:比较左面的之是否大于右面的值,大于则结果为ture
<=:比较左面的之是否小于或者等于右面的值,小于或者相等则结果为ture
=:比较左面的之是否大于或者等于右面的值,大于或者相等则结果为ture
!=:符号两面的值不等于,则为ture

2.6逻辑运算符

与(并且)&&:两个bollean类型的比较,全是true才是true
或(或者)||:两个boolean类型,有一个true就是true,都为false,则为false
非(取反)!:取相反的结果

2.7三元运算符

格式:数据类型 变量名名称 = 判断条件 ? 表达式A:表达式B;

int a =10int b =20int max = a>b ? a:b;

第三章方法

概念: 方法就是具有特定功能的代码块
语法结构:

访问控制符 [修饰符] 返回值类型 方法名( [参数] )  {

           //方法体
           
}

定义:
返回值

无返回值:
public static void print(){
        System.out.println("hello");
    }
有返回值:
public static int test(){
boolean flag = true;
if(flag = true){
return 1;
}

参数:

有参无返回值
public class HelloWorld {
    public static void main(String[] args) {
        
		// 创建对象,对象名为hello
		HelloWorld hello = new HelloWorld();
		
        // 调用方法,传入两门课程的成绩
		hello.calcAvg(94, 81);
	}
 
	/*
	 * 功能:计算两门课程考试成绩的平均分并输出平均分
	 * 定义一个包含两个参数的方法,用来传入两门课程的成绩
	 */
    public void calcAvg(int a,int b){
        double avg;
        avg=(a+b)/2.0;
        System.out.println("平均分:"+avg);
    }
 
}
有参数有返回值
import java.util.Arrays;
 
public class HelloWorld {
    public static void main(String[] args) {
		HelloWorld hello = new HelloWorld();
		int[] scores={79,52,98,81};
        
		//调用方法,传入成绩数组,并获取成绩的个数
		int count=hello.sort(scores);
        
		System.out.println("共有"+count+"个成绩信息!");
	}
    
	/*
	 * 功能:将考试成绩排序并输出,返回成绩的个数
	 * 定义一个包含整型数组参数的方法,传入成绩数组
	 * 使用Arrays类对成绩数组进行排序并输出
	 * 方法执行后返回数组中元素的个数
	 */
	public int sort(int[] scores           ){
		Arrays.sort(scores);
		System.out.println(Arrays.toString(scores));
		
        //返回数组中元素的个数
        return scores.length;
	}
}

3.方法的调用:
1.直接调用 方法名(参数);
2.赋值调用 数据类型 变量名 = 方法名(参数);
3.输出调用 System.out.println(方法名(参数));

  • 1
    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