黑马程序员----面向对象之“抽象类”



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


             抽象类使用abstract修饰符,用于表示类中成员不一定全部实现。即可以只有声明部分而没有实现部分。抽象类只能做基类。

抽象类与非抽象类的区别:

             第一:抽象类不能直接被实例化,只能在扩充类中通过继承使用。对抽象类使用new关键字会产生编译错误。

             第二:抽象类可以包含抽象成员,而非抽象类不能包含抽象成员,当从抽象类中派生非抽象类时,非抽象类必须实现抽象类中所有的抽象成员。

             例如:

  

 //抽象类A
    abstract class A
    {
        public abstract void A();//抽象成员,没有实现部分
    }
    //类B 继承自A 由于没有实现类A的抽象方法,所以也必须声明为抽象类
    abstract class B : A
    {
        public void B()
        {
        }
    }
    //类C 继承自抽象类B 
    public class C : B
    {
        //实现抽象类A 中的抽象方法
        public override void A()
        {
            Console.WriteLine("你好");
        }
    }

   

             在非抽象类中实现抽象类时,必须实现抽象类中的每一个抽象方法,而且每个实现的方法必须和抽象类中指定的方法一样,即接受相同个数,相同类型的参数,具有同样的返回值。

             例如:

 

//定义一个抽象类
    public abstract class A
    {
        //可以被重写的方法,有实现部分
        public virtual void a()
        {
            Console.WriteLine("人类");
        }
        //抽象方法,没实现部分
        public abstract void Aa();
    }
    //定义一个类,继承自抽象类
    public class B : A
    {
        //重写基类的虚拟方法
        public override void a()
        {
            Console.WriteLine("中国人");
        }
        //实现抽象类的抽象成员
        public override void Aa()
        {
            Console.WriteLine("河南人");
        }
    }
    class Program
    { 
        static void Main(string[] args)
        {
            B b = new B();
            b.a();
            b.Aa();
            Console.ReadKey();
        }
    }



----------------------  ASP.Net+Android+IO开发S 、  .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
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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