java rtti获取函数参数实例_RTTI:获取类的详细信息

public classClassExtractor {/**to discard qualifiers*/

private static final Pattern pattern = Pattern.compile("\\w+\\.");private staticString removeQualifiers(String name) {return pattern.matcher(name).replaceAll("");

}public voidinheritedMethod() {

}/***@paramclassName -- must be full qualified, i.e. with package name, like: java.lang.String, otherwise you get

* {@linkClassNotFoundException}

*@throwsClassNotFoundException*/

public static void dumpClassInfo(String className) throwsClassNotFoundException {final StringBuilder sb = newStringBuilder();final Class> clazz =Class.forName(className);

sb.append(clazz.toString()+ " {\n");//Fields//'Declared' in the Class methods means all the stuff(fields, methods) declared by this class//Class#getDeclaredMethods(), returns all methods declared by this class, including private, public, protected and//package, but excluding inherited methods//while, Class#getMethods(), returns all the public methods, including inherited ones

Field[] declaredFields =clazz.getDeclaredFields();if (declaredFields != null) {

sb.append("declared fields:\n");for(Field f : declaredFields) {

sb.append("\t" + removeQualifiers(f.toString()) + "\n");

}

}

Field[] fields=clazz.getFields();if (fields != null) {

sb.append("feids:\n");for(Field f : fields) {

sb.append("\t" + removeQualifiers(f.toString()) + "\n");

}

}//Methods

Method[] declaredMethods =clazz.getDeclaredMethods();if (declaredMethods != null) {

sb.append("declared methods:\n");for(Method m : declaredMethods) {

sb.append("\t" + removeQualifiers(m.toString()) + "\n");

}

}

Method[] methods=clazz.getMethods();if (methods != null) {

sb.append("methods:\n");for(Method m : methods) {

sb.append("\t" + removeQualifiers(m.toString()) + "\n");

}

}//Constructors

Constructor>[] declaredConstructor =clazz.getDeclaredConstructors();if (declaredConstructor != null) {

sb.append("declared constructors:\n");for (Constructor>c : declaredConstructor) {

sb.append("\t" + removeQualifiers(c.toString()) + "\n");

}

}

Constructor>[] cons =clazz.getConstructors();if (cons != null) {

sb.append("constructors:\n");for (Constructor>c : cons) {

sb.append("\t" + removeQualifiers(c.toString()) + "\n");

}

}//Enums

Object[] enums =clazz.getEnumConstants();if (enums != null) {

sb.append("enums:\n");for(Object o : enums) {

sb.append("\t" + removeQualifiers(o.toString()) + "\n");

}

}//Inner classes

Class>[] declaredInnerClasses =clazz.getDeclaredClasses();if (declaredInnerClasses != null) {

sb.append("declared inner classes:\n");for (Class>c : declaredInnerClasses) {

sb.append("\t" + removeQualifiers(c.toString()) + "\n");

}

}

Class>[] innerClasses =clazz.getDeclaredClasses();if (innerClasses != null) {

sb.append("inner classes:\n");for (Class>c : innerClasses) {

sb.append("\t" + removeQualifiers(c.toString()) + "\n");

}

}//Super/Base classes

Class> supers =clazz.getSuperclass();if (supers != null) {

sb.append("super classes:\n");

sb.append("\t" + removeQualifiers(supers.toString()) + "\n");

}//Interfaces

Class>[] interfaces =clazz.getInterfaces();if (interfaces != null) {

sb.append("interfaces:\n");for (Class>i : interfaces) {

sb.append("\t" + removeQualifiers(i.toString()) + "\n");

}

}

sb.append("}");

System.out.println(sb.toString());

}/***@paramargs*/

public static voidmain(String[] args) {try{

dumpClassInfo("java.lang.String");

dumpClassInfo("com.effectivejava.rtti.ClassExtractor");

dumpClassInfo("com.effectivejava.rtti.ClassExtractorTest");

}catch(ClassNotFoundException e) {

e.printStackTrace();

}

}

}

  • 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别。由于各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: 分问题:判断图像中的目标属于哪个别。 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 基于深度学习的目标检测算法主要分为两大: 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。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