C++第二单元总结

C++第二单元:顺序结构程序设计
第一课 cout语言  使用输入输出流必须加上头文件:#include<iostream>。
输出功能的语句cout<<项目;如果项目是表达式则输出达式的值;如果项目加引号则输出引号内的内容;如果是endl则换行
第二课数据类型  整型int4,short2,long4,long long;布尔型bool;字符型char;实型float,double,long double。
第三课常量与变量const定义常量。
第四课字符与字符串char标识符1,标识符2;

一个字符用一对单引号括起来,字符串变量用一对双引号括起来。字符变量在内存中占用一个字节。在C++中,字符数据在内存中实际存储的是其ASCII码值。例如字符0的ASCII码值是48,字符A是65,字符a是97。

转义字符:在一些字符前加"\"的特殊字符。

字符输入函数:getchar;输出函数:putchar。

字符串变量:string a=""           char  s[20]表示定义一个长度为20的字符数组s。

第五课 算术运算符

+加法;-减法;*乘法;/除法;%模,取余运算,前后都是整数;()括号,改变运算顺序。

常用数学函数:int abs(int i)绝对值;double ceil不小于x的最小整数;double floor不大于x的最大整数;sqrt平方根。

数学函数前必须添加cmath或者math.h

第六课cin语句   cin>>项目1,项目2;

第七课赋值语句    =赋值号,==等于号,连续赋值号,即一次给几个变量赋值,顺序是从右向左。

逗号表达式:表达式1,表达式2,表达式3;输出最后一个表达式

第八课符合运算符   自加运算符"++",i++或者++i,单独使用时都是i=i+1;在复合运算是,++在前则先把i加1在运算;在后则先把i减1在运算。

第九课运算规则 赋值号右边量或者表达式值的类型将自动转变成左边量的类型。

第十课格式控制 printf格式控制字符串输出列表。

%d十进制;%o八进制;%x十六进制;%c字符形式;%f%lf单,双精度

scanf格式控制字符串,地址列表

 

 

  • 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
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