<8/9>集训日记

今天才知道好像要发好几十篇博客之后才不用审核

今天把数论的课件看了看,算是再复习一遍,掌握的更好吧。都是之前学过的内容,只是有些记不清的,也没什么好写的,这里整理一下位运算的课件吧。

【位运算】

一、位运算符及规则
1
&   按位与

全真则真 一假则假
2
|   按位或

一真则真
3
^   按位异或

同则假 异则真
4
<<   左移
5
>>   右移
6
~   按位取反
提示:只允许对整型、字符型数据进行位运算,而实型数据不能进行位运算。

 

二、位运算的应用

1、“按位与”运算用于将某些二进制位屏蔽掉。

1:使一个整数k中的低4位置0

分析:用“与”运算实现:

k的低4位与0相与,其他位与1相与,即将 k与十六进制的 1110 相与。

程序如下:

unsigned int_set(unsigned int  k)

{ k=k & 0x1110 ;  

 return(k); }

结论:任何二进制位与0相与能实现置0,与1相与该位保持不变。

 

2、“按位或”运算用与将某些二进制位 置 1

2:将一个字节的高4位置为1010并输出结果。

分析:直接用位运算符,可以很方便的置1、清0、翻转等,但无法直接实现置给定的值。可以用两步实现:首先将高4位清 0,然后与1010 0000相或。

程序如下:

/* a 为待处理的数据,转换成二进制为00001000b用来保存将a的高4位清0后的结果*/

main()

{ unsigned char a,b,c;  a=8;

b=a&0x0f; c=b|0xa0;   /*c用于保存最终结果*/

printf(%x,c);} 

运行结果:10101000

 

3、按位异或运算经常用与将某些位翻转。

3:将一整数n的高8位翻转,低8位不变

分析:用“异或”运算实现,即高8位与1相异或,低8位与0相异或,也就是k与十六进制的ff00相异或。程序如下:

main()

{ int n=129;

printf(\n before  reset,n=%x,n);

n=n0xff00;

printf(\n after reset,n=%x,n);

  }   运行结果:

before reset,n=00000000 10000001

after reset,n=11111111 10000001

结论:任何二进制位与0异或,保持不变;与1异或,对应位翻转。

 

4、左移、右移运算实现将一个数的各个二进制位向左、向右移若干位。

左移:将一个数的各个二进制位左移若干位,高位左移后舍弃,低位补0

右移:将一个数的各个二进制位右移若个位,低位右移后舍弃,高位补 0还是补1,要区别有符号数还是无符号数:无符号数高位补0,有符号数高位补原符号位。

 

以及一个从百度百科看到的利用位运算交换两个数,挺好玩的也放过来吧:

#include<cstdio>

#include<cstdlib>

int main()

{

    int a,b;

    scanf("%d %d",&a,&b);

    a=a^b;

    b=a^b;

    a=a^b;

    printf("%d %d\n",a,b);

}

 

还一个前两天见到的,用位运算判断奇偶数: x&1

 

以上~

  • 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题之一。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题。 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