java api 版权_java.api

1.字符串方法:

a.)equals()比较两个对象的值/判断相对性相等;字符串里可以直接用,也可以在引用类里面重写equals()方法:public boolean equals(Object  object){ return false}

b.)indexOf,检索第一个字符串在此字符串中的的位置,lastindexOf,检索最后一个位置

c.)substring方法:截取字符串,规则:取前不去后,下标从开始;trim方法:将字符串两边的空格删除并返回。CharAt方法,通过输入数组下标来获取char数组

d.)return结束子程序方法,

e.)startsWith(),endsWith()方法,读取当前字符串的开头和结尾是否正确,返回boolean类型值

f.)toUpperCase(),toLowerCase()方法,将字符串转换为大写和小写,

g.)vlaueOF(字符串名称)静态方法,通过类String直接点(.)出方法即可,是将基本类型的值强制转换为引用类型(变为字符串)。

h.)StringBuilder类,可以声明一个对象,参数为要操作的字符串;如:StringBuilder 自定义名称=new StrigBuilder( )

i.)split方法,将字符串分离,以数组的形式返回

j.)replaceAll方法,将符合正则表达式的部分替换,并返回新的字符串。

h.)matches(正则)判断是否匹配指定的表达式。

2.System类中currentTimeMillis()方法,获取系统时间

3.新建的对象,默认调用toString()方法;

4.object是所有引用类型的父类;包装类理解:将基本类型通过包装类,使其可以通过object传入;

5.将基本类转为包装类时使用:Integer,Character,long...(其他基本类型不变,首字母要大写)...去点vauleOf方法,就能达到转换效果;将包装类转变为基本类:intVaule()方法,还有其他基本类型方法 ;Integer,Character,long...(其他基本类型不变;首字母要大写)类中包括两个常量:MAX_VALUE,MIX_VALUE看类型的最值。

6.将引用类型转变为基本类型:使用Integer,Character,long...(其他基本类型不变;首字母要大写)中的parseXX(xx是基本类型)方法转换

7.File类可以创建文件或目录,可以点出文件的基本属性(例如:getName(),length(),isHidden()等等操作)a.创建目录:使用exists()方法判断目录是否存在;使用mkdir()方法创建单级目录,mkdirs()方法创建多级目录;delete()方法可以删除空文件目录;listFiles()方法将该目录下的所有指向已数组的形式输出;isDirectory()方法判断当前对象是否为目录,返回的是boolean值;

b.创建文件:使用exists()方法判断文件是否存在;使用createNewFileisFile()方法创建文件;delete()方法可以删除文件;isFile()方法判断当前对象是否为文件,返回值是boolean类型;

8.FileFilter类作为文件的过滤器,在声明这个类的引用对象时可以构造一个匿名内部类,并且重写accept这个方法

public boolean accept(File file) {

return file.isFile();//return的值可以进行过滤,例如:String name = file.getName(); return name.startsWith(".");

}

  • 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