逗B少年搞程序12 时间都浪费在无知上了

      话说,做了这么长时间的系统,感觉完全走不动啊,最近终于是解决了“未将对象引用设置到对象的实例”这个问题了,改了三天的代码,然后不是代码的锅,哎,真是无奈啊。

    既然说到问题了,就顺便说一下这个可能发生的原因。

    找了一个百度搜索前几的博客看了一下,原因还真多啊,原谅我挑了一段复制过来。

1、ViewState 对象为Null。
2、DateSet 空。
3、sql语句或Datebase的原因导致DataReader空。
4、声明字符串变量时未赋空值就应用变量。
5、未用new初始化对象。
6、Session对象为空。
7、对控件赋文本值时,值不存在。
8、使用Request.QueryString()时,所获取的对象不存在,或在值为空时未赋初始值。
9、使用FindControl时,控件不存在却没有做预处理。
10、重复定义造成未将对象引用设置到对象的实例错误

     恩,差不多就写着几个吧,总结了一下大体就那么几个原因:类没实例化、存放数据的容器为空、空值未处理、重复定义。

    我看了看,大概出问题的原因也就前两种比较多,然后就是改呗,从头到尾New了一遍,要不是vs拦着我我连接口都New了,好吧,继续出错。然后一步一步的运行,发现出错的是抽象工厂创建的类,一直都是Nothing,难道是反射那写错了?改了又改程序集名和命名空间,怎么改都不对,简直要掀桌子了。

(╯‵□′)╯︵┻━┻

    最后还是求助了大腿,发现居然是D层的生成目录没指向U层文件夹下那个Debug,传说U层调用的只是生成的dll文件,我这复制过去的dll是没法更新的,所以就出了那个错误。。。真是不怕不知道,就怕不知道啊,正好学习一下了知识。

    昨天刚刚和师姐交流了一下外观层和B层的观点,最近确实这里有点迷糊,分不清功能要放到哪个层里,现在感觉好一点了,外观层就像设计模式中外观模式的外观类,提供一个接口给U层,剩下的和其他B层什么的各种调用封装在外观层中,为的就是解耦合。哎,目前我们的系统还不大,没法让我直观的理解外观层,强行加上去感觉有点架空B层,要是有个例子什么的就好了。

    恩,所以在这个依然迷糊的情况之下,我决定以后U层就传个实体给外观,在外观里写什么IF Else之类的调用B层判断。。。管他对不对呢,先写个看看。

    最后还有个问题就是,DataTable的问题。不得不说,用这个确实方便,但是问题也多,最大的问题是破坏了封装,对象都面向不到了,直接Teble.Rows什么的了。当初加Sqlhelper的时候就感觉这样别扭,果然还是要改啊,看了好多把Table转成实体的资料,但是没发现一个改Sqlhelper让它直接返回实体的,准备动手试试,要是有什么不可以的地方赶紧告诉我啊,省的我又主动作死去了。。。

    好了,这段时间长了点,没写多少代码,但是收获还是不少的,还有各种以前知道的没用过的知识都蹦了出来,计划仔细研究之后把能用的都用了,以后没多少时间这么悠闲的搞程序了。

以上    

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 22
    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 22
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