Flex之面向对象

众所周知,Flex也是一种面向对象的语言。因此我们很必要弄清面向对象的基本理论。

对象:

既然是面向对象,我们要知道什么是对象。对象是在现实世界中就是指具体的各种实体,比如电视机,电脑,书,汽车等等,这些都是我们所指的对象。每种对象都会有特定的角色和功能,并且有它各自的特征(如颜色,大小等)。而对象之间有些具有依赖关系(如电脑与CPU),有些则什么关系都没有。这些对象的关系都体现我们面向对象的理论中。

对象是一种自包含的部件。它知道自己能实现什么的功能和有哪些属性。

对象体现自身能力的两种形式是:属性和方法(函数)

属性和方法也有各自的作用域,如(私有,公有,受保护等),作用域控制这些方法和属性可以被谁来使用。


类:则是将一组类似的对象抽象一个模板,形成所谓的类。比如轿车,卡车,公交车根据他们的共性,可以抽象成一个类,汽车类。这个类中可以定义一些它们共有的属性和方法。比如颜色,车牌等。而我们在程序中不能直接使用类,因为它只是一个模板,没有具体的意义。在使用前,我们必须要将类实例化成对象(在程序中即是实例化一般通过new构造函数实现),在实例化好类后,我们就可以使用类中的方法和属性了。

接口:在我们调用类时,我们为了将类中上的方法和属性实现代码进行封装,外部调用时,我们不必提供实现的代码,只需告诉外部,这个类实现了什么功能,有什么属性就行。于是我们就有了接口出现,接口里面只有函数声明,没有函数实现。同时我们对于我们一些同样的操作,我们也可以进行封装,比如汽车有开车,倒车,停车这几个操作,火车也有开车,倒车,停车这个操作。那么我们就可以提取这个几个接口写成一个接口类。这个接口类可由不同的类(如汽车类,火车类)实现。同时一个类也会实现好几个接口,如汽车可以实现(开车,倒车,停车),同时也可以实现(加油,加水)这一个接口。

关于面向对象的其它理论

继承:从一个对象中(父类)继承另一个对象的(子类)的属性和方法

例如轿车,卡车,公交车都可以继承汽车这个类(一般情况,我们会把最上面的基类,设计成接口类)。

重写(多态):对于继承下来的类,我们还可以重写父类的函数,保持函数名不变,更改函数体,实现自己想要的功能。

封装:封装的关键在于重用代码,同时外部也不必了解对象的过程。外部与对象的通信则是通过参数的传递即函数的参数来实现。

转载于:https://www.cnblogs.com/liaoguoheng/archive/2011/04/15/2017307.html

  • 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
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