java数组常用方法小结

一维数组的定义
基本数据类型[] 变量名;推荐使用
基本数据类型 变量名[] ;
赋值
变量名=new 基本数据类型[数组大小];

初始化
基本数据类型[] 变量名=new 基本数据类型[]{1,2,3,4,5};
基本数据类型[] 变量名={1,2,3,4,5};

对象数组
String[] s=new String[3]; s是一个String类型的一维数组对象变量,s中的每个元素都是String类型的对象变量。每一个对象初始化为null。

数组方法

数组转换成StringArray.toString();

import java.util.Arrays;
//
public class Array {
public static void main(String[] args) {
	//基本数据类型会自动初始化 对象类型会初始化为null
	int[] a1=new int[3];
	String[] b1=new String[3];
	//
	int[] arr=new int[] {9,8,7};
	int[] arr2= {6,5,4};//聚集初始化
	//System.out.println(arr);
	//
	//打印数组元素 如果元素为空则输出null
	System.out.println(Arrays.toString(arr));

在这里插入图片描述
多维数组

int[][] a= {
			{1,2},
			{3,4},
	};
	//将多维数组转化成String
	System.out.println(Arrays.deepToString(a));

在这里插入图片描述
数组填充

//fill()方法填充数据 返回void类型
	Arrays.fill(arr, 1);
	System.out.println(Arrays.toString(arr));

数组复制

//数组的复制 System.arraycopy() 
	int[] i=new int[7];
	int[] j=new int[10];
	Arrays.fill(i, 3);
	Arrays.fill(j, 4);
	System.out.println(Arrays.toString(i));
	System.out.println(Arrays.toString(j));
	//原数组 初始位置 目标数组 初始位置 复制个数
	System.arraycopy(i, 0, j, 0, i.length);
	System.out.println(Arrays.toString(j));
	//

数组比较

//数组的比较 元素个数相同 对应位置元素相等 比较的是元素内容
	int[] a3=new int[10];
	int[] a4=new int[10];
	Arrays.fill(a3, 47);
	Arrays.fill(a4, 47);
	System.out.println(Arrays.equals(a3, a4));
	a3[2]=46;
	System.out.println(Arrays.equals(a3, a4));
	//

在这里插入图片描述
数组元素排序

//数组元素排序
	int[] a6=new int[] {5,6,3,2,8,1,0};
	Arrays.sort(a6);
	System.out.println(Arrays.toString(a6));

数组查找

//在已排序的数组查找特定元素 并返回索引
	int location=Arrays.binarySearch(a6, 1);
	System.out.println(location);
	//
  • 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
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