Java 基础 Map

package demo1;


import java.util.HashMap;
import java.util.Map;

/*
* java.util.Map<k,v>集合
* Map集合的特点
*   1.Map集合是一个双列集合,一个元素包含两个值(一个key,一个value)
*   2.Map集合中的元素,key和value的数据类型可以相同,也可以不相同
*   3.Mpa集合中的元素,key是不允许重复的,value是可以重复的
*   4.Mpa集合中的元素,key和value是一一对应
* java.util.HashMap<k,v>集合 implements Map<k,v>集合
* HashMpa集合的特点:
*   1.HashMap集合底层是哈希表:查询的速度特别快
*       JDK1.8之前:数组+单向链表
*       JDK1.8之后:数组+单向链表/红黑树
*   2.hashMap集合是一个无序的集合,存储元素和取出元素的顺序有可能不一致
* java.util.LinkedHashMap<k,v>集合 extends HashMap<k,v>集合
* LinkedHashMap的特点
*   1.LinkedHashMap集合底层是哈希表+链表(保证迭代顺序)
*   2.LinkedHashMap集合是一个有序的集合,存储元素和取出元素的顺序是一致的*/
public class DemoMap {
    public static void main(String[] args) {
        show();
        /*
        * public V put(K key,V value):把指定的键与指定的值添加到Map集合中
        *   返回值:v
        *       存储键值对的时候,key不重复,返回值V是null
        *       存储键值对的时候,key重复,会使用新的value替换map中重复的value,返回被替的value值
        * public V remove(Object key):把指定的键,所对应的键值对元素 在Map集合中删除,返回被删除元素的值
        *   返回值:V
        *       key存在,v返回被删除的值
        *       key不存在,v返回null
        * public V get(Object key)根据指定的键,在Map集合中获取对应的值
        * boolean contaionsKey(Object key):判断集合中是否包含指定的键*/
    }
    public static void show(){
        //创建Map集合对象:多态
        Map<String,String> map =  new HashMap<>();
        String v1 = map.put("李晨","范冰冰1");
        System.out.println("v1:"+v1);
        String v2 = map.put("李晨","范冰冰2");
        System.out.println("v1:"+v2);
        String v3 = map.remove("李晨");
        System.out.println("v3:"+v3);
        String v4 = map.put("王刚","刘诗诗");
        String v5 = map.get("王刚");
        System.out.println(v5);
        Boolean v6 = map.containsKey("王刚");
        System.out.println(v6);
    }
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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

打赏作者

毛毛虫会长大

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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