Java IO流:

Java IO流:读出一系列字节的对象:输入流;

写入一系列字节的对象:输出流;

InputStream类:

读取方式:

read;

read(byte []b);

read(byte []b,int off,inr len );  //off:起始偏移,len:字节数

其它方法:

long skip(long n);//在输入流中跳过n个字节

int available();//在流不发生堵塞的情况下,可读取的字节数

Void close();//关闭输入流并释放资源

void mark(int readlimit) ;//在输入流的当前位置放置一个标记,如果读取的字节数多于readlimit设置的值,则流忽略这个标记。

void reset() ;//返回到上一个标记。

boolean markSupported() ;//测试当前流是否支持mark和reset方法。如果支持,返回true,否则返回false。

 

OnputStream类:

写出方式:

write(int b);

write(byte []b);

write(byte []b,int off,inr len );  //off:起始偏移,len:字节数

其它方法:

Void flush();//强制缓冲区的字节被写出

Void close();//关闭输出流并释放资源

 

FileInputStream和FileOutputStream

节点流,用于从文件中读取或往文件中写入字节流。如果在构造FileOutputStream时,文件已经存在,则覆盖这个文件。

 FileOutputStream fs=new FileOutputStream(1.txt)

fs.write(sfkjrgvwkj,fhntlegk.getBytes());//write方法只能写入字节或字节数组,通过字符串的getByte()方法返回一个字节数组

fs.close();

 

FileInputStream fis=new FileInputStream("1.txt");

byte[] buf=new byte[100];

int len=fis.read(buf);

System.out.println(new String(buf,0,len));

fis.close();

 

 

BufferedInputStream和BufferedOutputStream

过滤流,需要使用已经存在的节点流来构造,提供带缓冲的读写,提高了读写的效率。

FileOutputStream fs=new FileOutputStream("1.txt");

BufferedOutputStream bfos=new BufferedOutputStream(fs);

bfos.write("sfkjrgvwkj,fhntlegk".getBytes());

//bfos.flush();

bfos.close();

 

FileInputStream fis=new FileInputStream("1.txt");

BufferedInputStream bfis=new BufferedInputStream(fis);

byte[] buf=new byte[100];

int len=bfis.read(buf);

System.out.println(new String(buf,0,len));

bfis.close();

 

PipedInputStream和PipedOutputStream

管道流,用于线程间的通信。一个线程的PipedInputStream对象从另一个线程的PipedOutputStream对象读取输入。要使管道流有用,必须同时构造管道输入流和管道输出流。

 

 

  • 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