java死锁的线程,java线程死锁

线程死锁: (一)死锁的定义: 第一个线程在等待第二个线程占有的某个对象锁,同时第二个线程也在等待第一个线程占有的对象锁。由于每个线程都在等待其他线程来释放锁,导致了线程一直等待下去。 (二)死锁的充要条件: (1)互斥:某一个资源在同一时刻,只能由一个线程占有。 (2)非抢占:一个线程不可以抢占另一个线程占有的资源; (3)占有并等待:一个进程因请求资源而阻塞时,对已获得的资源保持不放。 (4)循环等待:多个进程之间形成一种头尾相接的循环等待资源关系。 (四)死锁的范例: 分析:通常是一个线程占有了资源A,而又想去锁定资源B;在另一个线程中,占有了资源B,而又想去锁定资源A以完成自身的操作,两个线程都想得到对方的资源,而不愿释放自己的资源,造成两个线程都在等待,而无法执行的情况。 /**  *PrintNum.java  * Created on 5:18:04 PM Feb 22, 2009  *@author Quasar063501  *@version 0.1  *   */ public class PrintNum { private byte[] lock = new byte[0];  //自定义锁对象,这样代价最小,也可已使用当前对象this public void demo() { PrintThread a = new PrintThread("a"); PrintThread b = new PrintThread("b"); a.start(); b.start(); } class PrintThread extends Thread { public PrintThread(String name) { this.setName(name); } public void run() { synchronized(lock) { for(int i =0; i < 100; i++) { if(i % 10 == 0 && 0 != i) { try { lock.wait();   //暂时释放资源 lock.notify();       //唤醒另外一个进程 } catch (InterruptedException e) { e.printStackTrace(); } } System.out.println(this.getName()+": "+i); } } } } } 这个程序最终会因为互相唤醒而死锁。 分析:线程a先获得对象的锁,线程b等待,然后a打印0——9,当i=10时,线程a调用对象锁的wait,释放锁,同时a等待; 由于a已经释放掉了锁,所以a不可以执行下面的notify函数了。所以此时b也没有被唤醒。 -------------- 死锁范例二: package com.damlab.fz; public class DeadLock { public static void main(String[] args) { Resource r1= new Resource(); Resource r2= new Resource(); //每个线程都拥有r1,r2两个对象 Thread myTh1 = new MyThread1(r1,r2); Thread myTh2 = new MyThread2(r1,r2); myTh1.start(); myTh2.start(); } } class Resource{ private int i; } class MyThread1 extends Thread{ private Resource r1,r2; public MyThread1(Resource r1, Resource r2) { this.r1 = r1; this.r2 = r2; } @Override public void run() { while(true){ //先获得r1的锁,再获得r2的锁 synchronized (r1) { System.out.println("1号线程获取了r1的锁"); synchronized (r2) { System.out.println("1号线程获取了r2的锁"); } } } } } class MyThread2 extends Thread{ private Resource r1,r2; public MyThread2(Resource r1, Resource r2) { this.r1 = r1; this.r2 = r2; } @Override public void run() { while(true){ //先获得r2的锁,再获得r1的锁 synchronized (r2) { System.out.println("2号线程获取了r2的锁"); synchronized (r1) { System.out.println("2号线程获取了r1的锁"); } } } } }

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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