Collection集合

Collection

集合:是一种容器;用来存储多个数据;
数组也是容器;
区别:
1.数组长度固定;集合长度可变;
2.数组中存储的是同一类型元素(可以存储基本类型),集合存储对象,对象类型可以不一致;
集合不可存储基本元素类型:比如不能存储int,只可存储Integer;

集合框架:
在这里插入图片描述

Collection接口是所有单列集合的顶层接口,存储一系列符合某种规则的元素;
在这里插入图片描述
子接口:
java.util.List;元素有序,可重复,有索引(可遍历)
java.util.Set;(元素不可重复,不可遍历)

Collection接口中的方法:

//常用方法:
public boolean add(E e);//给定对象添加至当前集合中;
public void clear();//清空集合元素;
public boolean remove(E e);//将给定对象在当前集合中删除;
public boolean contains(E e);//判断集合中是否包含给定对象;
public boolean isEmpty();//判断当前集合是否包含给定对象;
public int size();//返回集合中元素个数;
public Object[] toArray();//将集合中元素存入数组;

迭代器接口

java.util.Iterator;
Iterator()接口用于遍历Collection中的元素;

boolean hasNext​();
E next​();
/*
Iterator为接口,无法直接使用,需要使用Iterator接口的实现类对象,Collection中定义了实现方法;
*/
//Collection中:
Iterator<E> iterator​()

//使用步骤
		public static void main(String[] args) {
        Collection<String> coll=new ArrayList<>();
        coll.add("Kobe");
        coll.add("James");
        coll.add("Jordan");
        coll.add("Iversion");
        //获取迭代器
        Iterator<String> iterator=coll.iterator();
        //使用迭代器方法hasNext()判断是否还有下一个元素
        while(iterator.hasNext())
        {
            System.out.println(iterator.next());//获取下一个元素;
        }
    }

//for each循环
public interface Collection<E> extends Iterable<E>//实现Iterable的接口对象,允许称为“For each”的目标;
/*
所有单列集合Collection都可进行for each遍历;
*/
public static void main(String[] args) {
        demo2();
    }
    public static void demo2()
    {
        ArrayList<String> col=new ArrayList<>();
        col.add("奔驰");
        col.add("沃尔沃");
        col.add("奥迪");
        col.add("宝马");
        col.add("兰博基尼");
        col.add("法拉利");
        for(String s:col)
        {
            System.out.println(s);
        }
    }

List子类:
1.java.util.ArrayList集合《大小可变的数组实现》,多线程;
底层为数组;元素增删慢,查找快;
2.LinkedList集合,是由链表实现,多线程;
底层为链表,增删块,查找慢;

Set子类:
/**

  • java.util.Set extends Collection
  • Set特点:
  • 1.不允许存储重复的方法
  • 2.没有索引,没有带索引的方法,不能使用普通for循环遍历
  • java.util.HashSet implements Set
  • HashSet 特点:
  • 1.不允许存储重复元素
  • 2.没有索引,不可使用for循环遍历
  • 3.是一个无序集合,存储元素与取出元素顺序可能不相等;
  • 4.底层是哈希表结构(查询速度非常快)
    */
    JDK1.8之前,哈希表=数组+链表
    JDK1.8之后:
    哈希表=数组+链表;
    哈希表=数组+红黑树(提高查询速度)
    Set集合不存储重复元素原因在于:
    先使用hashCode判断数组中有无此hashCode的值,(若哈希冲突),使用equals判断是否相等,相等则不存储;
  • 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