黑马程序员--枚举 结构(08)

----------------------ASP.Net+Android+IOS开发.Net培训、期待与您交流! ---------------


一.枚举(enum)

  在C#中枚举一般分为两种:普通枚举和标志枚举。一般普通枚举的枚举成员都是互斥的,不能组合进行赋值,而

标志枚举中的枚举成员不是互斥的,可用于组合或者说按位组合。

   1.普通枚举

      ① 枚举:我们自己定义的一种类型,它是一种的值类型,并且在定义这种类型的时候,我们要指定这个类型的所有值。其作用有两点:

         →限制用户不能随意赋值,只能从在定义枚举时列举的值中选择

         →不需要死记每一个值是什么,只需要选择相应的值

     ② 声明一个枚举的语法:

         访问修饰符 enum 枚举名:基础类型
           { 

              //普通枚举中枚举成员是互斥的,而且枚举名字不能相同

              值1,值2,值3……值n//每个值都用逗号隔开

            }

注意:(1)枚举在声明时一般是与类在同一级别的,并不是在类中声明。

      (2)在声明枚举时,有些时候会在枚举名后面加冒号和基础类型,首先因为每个枚举成员都会对应有一个数值来表示,这里的基础类型就是表示每个枚举成员对应数值的类型,在枚举声明时可以显式地声明 byte、sbyte、short、ushort、int、uint、long 或 ulong 类型作为对应的基础类型。没有显式地声明基础类型的枚举声明意味着所对应的基础类型是 int。

例如:下面是一个表示QQ用户状态的枚举,而且枚举和类是同一级别的,并且展示了怎么使用枚举中的成员。

       

本例结论:(1)枚举中每个枚举成员都对应有一个数值来表示,因为这里没有显示地声明基础类型,默认为int类型,而且从0开始依次递增。

          (2)在声明的时候还可以手动设置每个枚举成员对应的那个数值,如本例当中的Busy和Left。

          (3)如果在Main()方法中加一条语句,Console.WriteLine((int)QQUserState.Hide);,结果发现输出的是46,说明没有手动赋值的枚举成员的值,总是在前一个枚举成员的值+1。

        ③ →将枚举转换为其相对应的数值:(基础类型)枚举名.枚举成员

          → 将枚举转换为字符串:枚举名.枚举成员.ToString();

          → 将字符串转换为枚举:枚举名 变量=(枚举名)Enum.Parse(typeof(枚举名),字符串) 

              2. 标志枚举   

       ① 标志枚举跟普通枚举的最大区别在于枚举成员可以组合赋值给枚举变量,枚举成员并不是互斥的。

       ② 标志枚举中每个枚举成员对应的数值都是以 2 的幂来赋值,即:1、2、4、8、16、32……

       ③ 标志枚举声明时与普通枚举也有不同:

          [Flags]//声明时需要加一个[Flags]表明该枚举是个标志枚举

          访问修饰符 enum 枚举名

           { 

              //标志枚举中枚举成员不是互斥的,可以组合进行赋值

              值1,值2,值3……值n//每个值都用逗号隔开

            }

例如;下面例子声明了一个标志枚举,已经它的用法:

       

本例结论:(1) 切记声明标志枚举时 加[Flags],不然输出的值不能得到枚举成员。   

          (2) 标志枚举中在给枚举变量赋值时可以通过组合枚举成员来赋值,并且是以|分开

          (3) 验证标志枚举中是否有某个枚举成员的方式:通过枚举变量和枚举成员取且是否还等于这个枚举成员

        

二. 结构

               ①. C#的结构是和类差不多,结构也可以包含其他类型,但是结构是值类型

     ②. 结构不承担引用对象所带来的开销,除非在对其装箱时例外。

                ③. 结构定义的语法:

           访问修饰符 struct 结构名
              {
                定义结构成员
              }
 
(注意:结构是一种类型,定义的时候和类平级)

 例如: 下面的例子定义一个结构 及其用法 需要注意的地方

             

   本例结论:(1)结构声明和类是差不多的,里面的成员也可以有字段 属性 方法等

             (2)结构在使用时可以像类那样new一下,也可以不使用new 但是必须为其成员都赋值

                 ④ 结构和类的区别

          (1)结构是值类型 而类是引用类型(这个是最大的区别)

          (2)结构是不具有面向对象的那些特征的,不能被继承,不能实现多态等,但是可以实现接口

                              (3)如果需要面向对象的那些特性,而且存储量比较大时使用类,如果存储量较小 而且不需要面向对象的那些特性是则使用结构。




---------------------- ASP.Net+Android+IOS开发.Net培训、期待与您交流! ----------------------

  • 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