浅谈设计模式六大原则

一、设计模式六大原则:

  • 单一职责原则(Single Responsibility Principle)

    不要存在多余一个让类发生变化的原因,也就是说一个类只负责一件事
    
  • 里氏转换原则 (Liskov Substitution Principle)

    任何使用父类的地方,都可以透明的使用其子类
    继承:子类拥有父类的一切属性和行为,任何父类出现的地方都可以使用其子类来代替。
    指导如何继承:
    1、父类有的东西,子类不一定有,那么就断掉继承
    2、子类可以有父类没有的东西,可以扩展父类
    3、子类出现的地方,父类不一定能代替
    4、子类隐藏父类的方法是违背里氏替换原则的,父类已经实现的东西,子类不要去修改
    //父类有一个方法
    public void SayHi() {  }
    //子类隐藏了父类的方法
    public new void SayHi() { }
    
    Base base = new Children();
    base.SayHi(); //调用的是父类的SayHi,如果使用反射去调用,则调用的是子类的,因为反射调用的是运行时的
    5、如果继承是为了减少重复代码,那么不要再修改
    6、如果继承是为了多态,那么需要是override的 virtual/abstract
    
  • 依赖倒置原则 (Dependence Inversion Principle)

    上层模块不应该依赖于低层模块,二者应该基于抽象依赖。
    面向抽象编程,可以传递不同的子类,将来也可以进行扩展
    
    低层模块都应该有抽象,而不仅仅是细节
    变量的声明尽量是面向抽象的,或者是基类
    
    抽象的是共同的东西,而不是什么都抽象
    
  • 接口隔离原则 (Interface Segregation Principle)

    客户端不应该依赖于它不需要的接口
    特殊的功能还是再封装一个接口,不要放在共同拥有的功能接口中
    
    划分接口:
        首先不能全部放在一个接口中,大而全,违背了原则
        也不能太细太碎,应该按照一定的规则进行分组
    
  • 迪米特法则 (Law Of Demeter)

    最少知道原则,一个对象应该对其他对象保持最少的了解,不要和非直接的关系接触,高内聚,低耦合
    类与类之间的关系:
    纵向关系 继承约等于接口
    横向关系 聚合>组合>关联>依赖
    
  • 开闭原则 ( Open Closed Principle)

    对扩展开放,对修改关闭
    支持功能扩展,增加类型,但是不修改类
    

    可以说是六大设计模式的总则,其他5个是具体的手段

  • 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