在matlab重find指令的,如何在Matlab中重载find函数

您可以在此处执行以下操作:重载find,或弹出您要搜索的条件,并在其上调用常规find。在属性访问表达式上使用常规查找可能更有意义。

属性访问表达式

要将find应用于对象或其他结构,您可以使用属性访问语法来创建逻辑表达式,以识别满足您正在查找的条件的对象,并将其传递给find。假设您的班级有qty属性,那就是您正在搜索的内容。

ind = find( [X.qty] ~= 0 );

您可以将这些逻辑表达式组合起来进行更复杂的搜索。

ind = find( [X.ghz] > 3 && [X.cacheMB] > 2 && [X.price] < 600 )

重载find()

如果你的对象方法具有类似的语义,你应该只重载像find这样众所周知的Matlab函数。 find函数采用逻辑数组并返回数字索引。因此,如果该类的元素在某种意义上本身可以被视为零或非零值,那么它对您的类可能才有意义。

要重载函数以使用您的类,只需在类中定义一个与函数同名的方法。为了与其他Matlab代码一起使用,除了允许对象的实例外,它应该接受与常规函数相同的典型参数。

假设您的类将二维空间中的点表示为(X,Y)坐标,并且您希望将原点(0,0)处的点视为零,并将所有其他点视为非零。您将提供一个find方法来测试这两个点。为了使行为与Matlab的find保持一致,您可以在代码中实现非零测试,并将其他所有内容传递给常规find函数。

class point

properties

X;

Y;

end

methods

function out = find(obj)

% Test for zero/nonzero points

x = reshape([obj.X], size(x));

y = reshape([obj.Y], size(y));

isNonzero = x + y; % Quantity is not meaningful, but covers zero/nonzero/NaN

out = find(isNonzero);

end

end

end

为了与find完全一致,它有点复杂,因为find支持额外的输入和输出参数,重载方法也应该这样。

class point

properties

X;

Y;

end

methods

function varargout = find(obj, varargin)

varargout = cell(1, max(nargout, 1));

% TODO: In production code, verify that varargin does not

% contain @point objects, to avoid infinite recursion

% Test for zero/nonzero points

x = reshape([obj.X], size(obj));

y = reshape([obj.Y], size(obj));

isNonzero = x + y; % Quantity is not meaningful, but covers zero/nonzero/NaN

[varargout{:}] = find(isNonzero, varargin{:});

end

end

end

所有这些都是一种痛苦,所以如果您需要来自对象的多态行为,您可能只想重载find:也就是说,如果您想将它们传递给其他写入调用的代码关于其输入的find()。如果您只需要在代码中本地输出find(),则可能更容易进行属性访问。或者您可以提供一种isnonzero()方法,以便快速转换为find()可以很好地使用的输入。

  • 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:判断图像的目标属于哪个类别。 定位问题:确定目标在图像的具体位置。 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