异常

异常:  
1:错误的分类
  Error:错误(不可控),一般指的是系统方面的异常,比如
                 蓝屏,内存溢出,jvm运行环境出现了问题。
  Exception:是可控的异常,程序员可以在编写程序时解决的错误。  
   两者的父类为Throwable。
2:我们来学习我们可以控制的异常:
  Exception:是所有异常的父类,其下面可以派生出很多
     子类型。
3:异常处理机制。
    在编写程序时,某一块代码可能会某些异常。我们应该对这块
    进行异常处理。怎么处理呢?使用
    如下语法:
    try{
    
    }catch(异常类型的声明){
    
    }finally{
      
    } 
    进行处理。 我们将可以出现异常的代码块放入try{}中,
  jvm会进行检查try{}中的代码,如果有异常,jvm就会
    将异常信息封装成相应的异常对象,然后转移到catch(){
  }代码块中进行处理,执行{}中的业务逻辑。然后会执行finally
  模块的代码。如果try{}中没有异常出现,最后也会执行finally模块
  中的逻辑。 
4:catch代码块,可以有1个或多个,在声明异常变量时,
    从上到下的catch块使用的异常类型可以是同级别的,如果
    多个异常类型有父子关系时,那么应该先写子异常,在写父异常。
  (先写父异常时,编译不通过)
5:finally代码块:finally代码块是有没有异常都会执行的,最后执行。
    通常用于关闭某些操作,删除临时文件等
    当程序中有return关键字的时候,先执行return,再执行finally代码块
6:throw:抛出异常对象。
    有时候,程序中捕获的异常,不想在catch代码块中处理。
    就要往外抛出,抛给调用者(谁调用这个方法谁就是调用者)
    由调用者来处理。main中的异常最好直接处理。    
7:throws:在定义方法时,必须声明要抛出的异常对象的类型
  throws:就是声明通知调用要处理的异常类型  
8:异常的分类 
   检查性异常(编译时异常)
    reg:IO异常
   非检查性异常(运行时异常)
    reg:
        NullPointerException
        ArrayIndexOutOfBoundsException
        StringIndexOutOfBOundsException
        ClassCastException
        NumberFormatException
        IllegalArgumentException
        
         不要把ClassNotFoundException当成运行时异常
   在throw运行时异常对象时,方法处不需要声明throws,因为编译器
   会忽略运行时异常。
   当throw编译时异常时,必须在方法处声明throws此对象的类型。
9:当父类中的方法声明异常时,子类重写方法时
     应该注意的事项   

10:自定义异常。只需要继承Exception,用系统提供的构造器即可。

异常机制:
    try{
        捕捉代码片段出现的异常信息,封装成异常对象
    }catch(引用捕捉到的异常对象){
    处理异常。
    }finally{
    不管try中是否出现异常,都会执行此部分代码。
    一般都用来用做关闭,释放等操作。
    }
catch:可以写一个或一个以上。先处理子类型异常,在处理父
            类型异常
throw:抛出异常对象,抛给调用者(方法),让调用者处理
throws:在定义方法处声明抛出的异常类型。
     如果throw的是运行时异常,可以不用throws。
     如果throw的是编译时异常,必须使用throws。
   在方法重写时:
     如果父类的方法声明了异常,子类的方法可以不声明,
     也可以声明此异常或子类异常
      父类的方法没有声明异常,子类的方法一定不能声明异常

  • 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键的子任务,目标定位和目标分类。首先检测图像目标的位置(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 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