Java理论题11.13

1.final,finally,finalize的区别?

Final声明类不可被继承,声明方法不可被重写,声明变量为常量必须赋值
Finally try catch finally中的,表示不论是否有异常,都执行finally语句段
Finalize表示垃圾回收机制中自动被调用的方法

2.运行时异常和编译时异常有什么区别?

运行时异常:代码运行过程中产生的异常,程序可以通过编译,不需要强制throws或者try catch捕获异常
JVM自动处理捕获异常
非运行时异常(编译时异常):程序编译过程中产生的异常,如果产生异常,程序无法通过编译,需要程序员手动try catch捕获或者继续抛出
例如:SimpleDateFormatparse方法抛出的ParseException异常

3.throw和throws的区别?

throw:
方法体中使用,抛出一个具体的异常,即抛出一个异常对象
throws:
方法声明时候使用,表示该方法可能抛出的异常,如果抛出多个异常用逗号隔开,谁调用谁处理

4.String,StringBuffer,StringBuild的区别?

String:不可变长度字符串
StringBuffer:是可变长度字符串,默认有16位缓冲区,通过append方法追加字符串;真实长度通过capacity()方法获取。线程安全,效率低
StringBuilder:线程不安全,效率高

5.说出你用过哪些类,哪些接口?哪些抽象类?

类:Math,System,String,Integer,Byte,Double,Short,Hash Map,TreeMap,HashSet,ArrayList,LinkedList
接口:List,Map,Set,Conllection
抽象类:Calendar

6.说出String的常用方法5个?

length()
indexOf(String abc,int index)
charAt(int index)
toCharArray()
valueOf(Object obj)
lastIndexOf(String str)
compareTo(String str)
toLowerCase()
toUpperCase()
equals(String str)
replace(String str)
split(String str)
trim()

7.如何获取随机整数?如何获取随机小数?

java.util.Random://获取随机整数:nextint(int i)
java.lang.Math.random();获取0-1之间的随机小数

8.线程和进程的区别?

线程:一段可执行的代码块,他的执行过程,即一个线程:或者说进程中的一个执行路径
进程:一个可执行的应用程序,一个进程中包括一个或多个线程共同完成多个任务

9.如何开启一个线程?

开启一个线程通过start方法开启,,表示该线程准备就绪

10.启动线程为何不调用run方法?

调用start方法启动线程表示该线程准备就绪,该线程会作为当前主线程的一个子线程运行,虚拟机会自动调用run方法

  • 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。 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