7.30.1 面向对象基础

 

关于系统默认值:
基本数据类型
byte,short,int,long   0
float,double  0.0
boolean false
char     \u0000

引用数据类型:null

 

面向过程与面向对象的区别(盖饭、蛋炒饭)

炒饭对应为面向过程,蛋和饭混为一个整体,当客户需求改变时,如客户想吃别的炒饭,则要把所有饭全部挑出来,对应程序中要修改各个模块的各个方法;
而盖饭对应面向对象,当客户需求改变时,只需要把盖的东西换成客户想要的即可,两个对象耦合度很低,只通过盖这个动作协作起来。
 
为什么会出现面向对象分析方法?
因为现实世界太复杂多变,面向过程的分析方法无法满足
 
面向过程?
采用面向过程必须了解整个过程, 每个步骤都有因果关系, 每个因果关系都构成了一个步骤, 多个步骤就构成了一个系统, 因为存在因果关系每个步骤很难分离, 非常紧密, 当任何一步 骤出现问题,将会影响到所有的系统。如:采用面向过程生产电脑,那么他不会分 CPU 、 主板和硬盘,它会按照电脑的工作流程一次成型。
 
面向对象?
面向对象对会将现实世界分割成不同的单元(对象) ,实现各个对象,如果完成某个功能,只需要将各个对象协作起来就可以。
 

面向对象的三大特性

1 、封装
2 、继承
3 、多态

类与对象的概念

类是对具有共性事物的抽象描述,是在概念上的一个定义,那么如何发现类呢?
通常根据名词(概念) 来发现类,如在成绩管理系统中:学生、班级、课程、成绩
学生—张三
班级—622
课程—J2SE
成绩—张三成绩
以上“张三” 、 “622” 、 “J2SE”和“张三的成绩”他们是具体存在的,称为对象,也叫实例
也就是说一个类的具体化(实例化) ,就是对象或实例
为什么面向对象成为主流技术, 主要就是因为更符合人的思维模式, 更容易的分析现实世界,
所以在程序设计中也采用了面向对象的技术, 从软件的开发的生命周期来看, 基于面向对象
可以分为三个阶段:
1 、 OOA(面向对象的分析)
2 、 OOD(面向对象的设计)
3 、 OOP(面向对象的编程)-----Java 就是一个纯面向对象的语言
 

 
通过以上分析,大家应该了解:
类=属性+方法
属性来源于类的状态,而方法来源于动作
以上模型完全可以使用面向对象的语言,如 Java 来实现
 
对象的存储方式:
    对象存储在堆中,所以我们定义的stu1只能称为引用,不能称为对象!

局部变量和成员变量:
以上属性称为成员变量,局部变量是在方法中定义的变量,方法的参数,方法的返回值, 局部变量使用前必须初始化,而成员变量会默认初始化,初始化的值名为该类型的默认值
个类可以创建 N 个对象,成员变量只属于当前的对象(只属于对象,不属于类) ,只有通过对象才可以访问成员变量,通过类不能直接访问成员变量!
 
 
 
 

转载于:https://www.cnblogs.com/bchen/p/7422671.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